[發(fā)明專利]基于多分類器域?qū)咕W(wǎng)絡(luò)的高光譜開放集領(lǐng)域自適應(yīng)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110639872.2
• 申請(qǐng)日: 2021-06-09
• 公開（公告）號(hào): CN113221848B
• 公開（公告）日: 2022-07-19
• 發(fā)明（設(shè)計(jì)）人: 彭元喜;唐學(xué)斌;楊文婧;徐煒遐;周侗;李春潮;涂文軒
• 申請(qǐng)（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V10/764;G06V10/774;G06V10/74;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 國防科技大學(xué)專利服務(wù)中心 43202
• 代理人: 王文惠

1.一種基于多分類器域?qū)咕W(wǎng)絡(luò)的高光譜開放集領(lǐng)域自適應(yīng)方法，其特征在于，包括：

S1：獲取高光譜圖像，獲取所述高光譜圖像的方法包括：提供原始高光譜圖像；對(duì)所述原始高光譜圖像進(jìn)行雙邊濾波預(yù)處理以形成所述高光譜圖像；所述高光譜圖像中數(shù)據(jù)立方體的空間維尺寸與所述原始高光譜圖像中數(shù)據(jù)立方體的空間維尺寸相同，所述高光譜圖像中數(shù)據(jù)立方體的光譜通道數(shù)與所述原始高光譜圖像中數(shù)據(jù)立方體的光譜通道數(shù)相同；

S2：從所述高光譜圖像中提取立方體數(shù)據(jù)構(gòu)建源域與目標(biāo)域包括：從高光譜圖像中提取若干個(gè)以單個(gè)像元為中心的立方體數(shù)據(jù)構(gòu)建源域與目標(biāo)域，V×V為從高光譜圖像中提取的立方體數(shù)據(jù)的空間維尺寸；n_s表示源域中樣本的個(gè)數(shù)，源域的樣本標(biāo)簽集合l_s中包含N類標(biāo)注標(biāo)簽，N類標(biāo)注標(biāo)簽已知；n_t表示目標(biāo)域中樣本的個(gè)數(shù)，目標(biāo)域的樣本標(biāo)簽集合l_t中包含M類標(biāo)簽；源域與目標(biāo)域的公共標(biāo)簽集合表示為l＝l_s∩l_t，目標(biāo)域的私有標(biāo)簽集合表示為且目標(biāo)域的樣本標(biāo)簽集合l_t中具有源域中的N類標(biāo)注標(biāo)簽；

S3：構(gòu)造域?qū)股窠?jīng)網(wǎng)絡(luò)模型，所述域?qū)股窠?jīng)網(wǎng)絡(luò)模型包括特征向量生成器、領(lǐng)域主分類器、源域輔助分類器和領(lǐng)域輔助分類器；所述特征向量生成器適于對(duì)輸入至特征向量生成器的樣本進(jìn)行空間與光譜特征提取并輸出特征向量至所述領(lǐng)域主分類器和所述源域輔助分類器；所述領(lǐng)域主分類器適于通過softmax分類器進(jìn)行偽決策并輸出偽決策信息q₁(x)至所述領(lǐng)域輔助分類器，所述偽決策信息q₁(x)為樣本歸屬于N類標(biāo)注標(biāo)簽的概率之和，所述領(lǐng)域主分類器的結(jié)構(gòu)包括：第一全連接網(wǎng)絡(luò)，第一全連接網(wǎng)絡(luò)適于輸出包含N+1個(gè)通道；與第一全連接網(wǎng)絡(luò)中的末層連接的softmax分類器；所述softmax分類器適于輸出N+1維概率向量softmax(z₁)；j＝1,...,N，其中，z₁為第一全連接網(wǎng)絡(luò)中的末層輸出的激活向量；N+1維概率向量softmax(z₁)包括第一維概率至第N+1維概率；N+1維概率向量softmax(z₁)的第一維概率至第N維概率中，第n維概率為樣本屬于源域中N類標(biāo)注標(biāo)簽的概率，n為大于等于1且小于等于N的整數(shù)；N+1維概率向量softmax(z₁)的第N+1維概率為樣本歸屬于未知標(biāo)簽的概率；所述源域輔助分類器適于通過leakysoftmax分類層得到N維概率向量leakysoftmax(z₂)，并輸出q₂(x)至領(lǐng)域輔助分類器D，q₂(x)為N維概率向量leakysoftmax(z₂)中的第一維概率至第N維概率之和，所述源域輔助分類器的結(jié)構(gòu)包括：第二全連接網(wǎng)絡(luò)，第二全連接網(wǎng)絡(luò)適于輸出包含N個(gè)通道；與所述第二全連接網(wǎng)絡(luò)中的末層連接的leakysoftmax分類層，leakysoftmax分類層適于輸出N維概率向量leakysoftmax(z₂)，j＝1,...,N；其中，z₂第二全連接網(wǎng)絡(luò)中的末層輸出的向量；所述領(lǐng)域輔助分類器適于基于q₁(x)與q₂(x)進(jìn)行目標(biāo)域中樣本與源域中樣本標(biāo)簽集合的相似性計(jì)算，逐個(gè)生成目標(biāo)域中各樣本的自適應(yīng)閾值，自適應(yīng)閾值即目標(biāo)域中樣本歸屬于公共標(biāo)簽集合的概率，q₁(x)＝1-P(y＝N+1|x)；為源域輔助分類器輸出的第k維概率；x表示樣本；G(x)表示特征向量生成器輸出的特征向量；為所述領(lǐng)域輔助分類器D的輸出，j為大于等于1的整數(shù)；x_j^t為目標(biāo)域中的樣本；

的獲取過程包括：

S4：從源域中取出m個(gè)樣本從目標(biāo)域中取出m個(gè)樣本將m個(gè)樣本和m個(gè)樣本同時(shí)輸入所述域?qū)股窠?jīng)網(wǎng)絡(luò)模型，對(duì)所述域?qū)股窠?jīng)網(wǎng)絡(luò)模型進(jìn)行小批量訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于多分類器域?qū)咕W(wǎng)絡(luò)的高光譜開放集領(lǐng)域自適應(yīng)方法，其特征在于，所述特征向量生成器包括第一3D卷積層、第二3D卷積層和第三3D卷積層、第一全連接層和第二全連接層；第二3D卷積層位于第一3D卷積層和第三3D卷積層之間，第一全連接層位于第三3D卷積層和第二全連接層之間。