[發明專利]基于多分類器域對抗網絡的高光譜開放集領域自適應方法

有效

• 申請號: 202110639872.2
• 申請日: 2021-06-09
• 公開（公告）號: CN113221848B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 彭元喜;唐學斌;楊文婧;徐煒遐;周侗;李春潮;涂文軒
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/774;G06V10/74;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 王文惠

一種基于多分類器域對抗網絡的高光譜開放集領域自適應方法，基于多分類器結構的動態自適應閾值方案以評估目標域中各樣本的域級可識別特征信息，從而增強對抗訓練過程的魯棒性，最終實現在準確分類目標域中與源域的共有類別的同時拒絕未知類別目標為“unknown”類。本發明結構清晰，易于實現，能夠明顯提升開放集場景下的高光譜圖像分類效果，具有深厚的理論基礎與實際意義。

技術領域

本發明涉及高光譜圖像開放集分類領域技術領域，尤其涉及一種基于多分類器域對抗網絡的高光譜開放集領域自適應方法。

背景技術

高光譜圖像以其豐富的空間和光譜信息而被廣泛應用于解決遙感領域中的眾多問題，如地物分類、地物分割等。其中，地物分類是將高光譜圖像中的像元數據自動分配給正確地物類別標簽的過程，早期的地物分類研究是基于手工標注特征實現的，即首先提取高光譜圖像數據的有效特征，接著使用分類器將特征分類到正確標簽。隨著深度學習技術被證明在數據深層特征挖掘方面的強大優勢，它已逐漸成為人工智能領域的研究熱點和主流發展方向，特別是在計算機視覺這一重要分支中，卷積神經網絡(convolutional neuralnetwork，CNN)的出現極大地提高了圖像分類、檢測與分割等任務的性能，因而將深度學習方法應用于高光譜遙感圖像中的地物分類問題可以降低人工特征提取的成本，并提升算法性能。

然而，在許多實際研究中，總會面臨可用于訓練的標注樣本有限或缺乏的情況，如在不同位置用不同傳感器采集圖像時，用于學習模型的訓練數據可能與測試數據具有不同的分布，且測試樣本規模大而無法進行大量標注。因此，縮小源領域與目標領域之間的分布差異，提高分類性能是很有必要的。遷移學習(transfer learning，TL)中的領域自適應(domain adaptation，DA)方法就是從有標注的源域數據中學習分類模型，并在無標注目標域數據上進行調整，使其最終適用于目標域上的分類任務。

在高光譜遙感地物分類中，目前絕大多數研究都是在封閉集的理想假設下進行的，即測試時樣本的類別空間與訓練時保持一致。事實上，開放環境下的高光譜遙感場景中，測試樣本中往往包含一些訓練過程中未出現的類別，如何在正確分類已知類的前提下實現未知類別目標的檢測是一個挑戰。

在封閉集領域自適應方法中，源領域高光譜數據與目標領域高光譜數據共有類別空間。而在開放環境下，領域自適應方法則需要考慮到遷移學習過程中目標領域包含一些源領域中未出現的樣本類別，這些樣本應被劃分為未知類“unknown”，若將未知類樣本錯誤地分類為共有類別之一，將會導致負遷移問題。這給高光譜開放集領域自適應方法提出了以下要求：(1)學習源域已標注樣本的魯棒性特征表示，(2)減少源分布與目標分布之間的數據偏移(Datashift)，保證從源域學習到的分類特征可用于目標域中已知類別目標的分類，(3)檢測出目標領域中的未知類并克服負遷移。例如Nirmal等人引入開放集領域自適應方法解決高光譜圖像的分類問題，該方法采用對抗學習的策略訓練模型，并設定一個固定的經驗閾值來減少域間分布差異，同時將未知類別樣本與已知類別分離。然而固定的經驗閾值并不能挖掘目標域樣本潛在的標簽和領域信息，易導致在經驗閾值附近區間發生負遷移，從而降低分類精度。

發明內容

本發明所要解決的技術問題在于針對開放集場景下的高光譜圖像分類任務中數據標注成本高昂、耗時長、分類精度不高等問題，提供一種基于多分類器域對抗網絡的高光譜開放集領域自適應方法。

本發明提供一種基于多分類器域對抗網絡的高光譜開放集領域自適應方法，包括：

S1：獲取高光譜圖像；