[發(fā)明專利]一種基于校正原型學(xué)習(xí)的高光譜影像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110962828.5
• 申請(qǐng)日: 2021-08-20
• 公開(kāi)（公告）號(hào): CN113673599A
• 公開(kāi)（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 于純妍;宋梅萍;鞏寶玉;王玉磊;張建祎
• 申請(qǐng)（專利權(quán)）人: 大連海事大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 大連至誠(chéng)專利代理事務(wù)所(特殊普通合伙) 21242
• 代理人: 張海燕;涂文詩(shī)

1.一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，包括：如下步驟：

S1：選取高光譜場(chǎng)景圖像，從中隨機(jī)提取部分樣本作為訓(xùn)練集；并從所述訓(xùn)練集中隨機(jī)選出支持集和查詢集，以作為為后續(xù)獲取校正的類原型和學(xué)習(xí)度量空間的訓(xùn)練集；

S2：搭建深度網(wǎng)絡(luò)模型以提取所述樣本的空間-光譜特征和學(xué)習(xí)度量空間，并計(jì)算學(xué)習(xí)度量空間中的初始類原型；

S3：搭建帶有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述初始類原型進(jìn)行校正，以獲取校正的類原型；

S4：采用校正的學(xué)習(xí)度量方法訓(xùn)練所述深度網(wǎng)絡(luò)模型，得到校正的深度網(wǎng)絡(luò)模型，以使得所述校正的類原型更加穩(wěn)健；

S5：在所述高光譜場(chǎng)景圖像中選取測(cè)試數(shù)據(jù)集，從中隨機(jī)選取監(jiān)督樣本，并對(duì)所述監(jiān)督樣本的分布做校正標(biāo)準(zhǔn)化處理，以采用所述校正的深度網(wǎng)絡(luò)模型獲取測(cè)試數(shù)據(jù)集中每一類的測(cè)試類原型；

S6：計(jì)算所述測(cè)試數(shù)據(jù)集樣本與所述測(cè)試類原型的歐式距離，以獲得對(duì)所述高光譜圖像的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，所述深度網(wǎng)絡(luò)模型是基于二維卷積操作的深度網(wǎng)絡(luò)而搭建，包括歸一化層、最大池化層、非線性激活函數(shù)層和全連接層。

3.根據(jù)權(quán)利要求1所述的一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，所述殘差塊包括第1層、第1+1層和第1+2層；

所述殘差塊的第1層和第1+2層均包括第一卷積層和ReLU層；

所述殘差塊的第1+1層包括第二卷積層、ReLU層和第三卷積層。

4.根據(jù)權(quán)利要求3所述的一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括一個(gè)殘差塊和一個(gè)softmax層。

5.根據(jù)權(quán)利要求1所述的一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，所述支持集和查詢集的選取方法采用的是元學(xué)習(xí)策略；所述支持集為包含有標(biāo)簽樣本的集合，所述查詢集為不包含標(biāo)簽樣本的集合。

6.根據(jù)權(quán)利要求1所述的一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，其特征在于，獲取校正的類原型的步驟如下：

S31：建立所述初始類原型為：

其中，k代表高光譜影響數(shù)據(jù)集中的類別；S_k表示高光譜影像數(shù)據(jù)集中類別k的支持集，S_k＝{(x₁,y₁),...,(x_i,y_i),...,(x_N,y_N)}；x_i表示組成支持集的樣本，y_i表示x_i對(duì)應(yīng)的類別，N代表支持集樣本個(gè)數(shù)，f_θ(·)表示嵌入函數(shù)；

S32：建立支持集樣本聚合的參數(shù)為：

w_i＝g_φ(C_k-f_θ(x_i)) (2)

其中，g_φ(·)表示計(jì)算聚合參數(shù)w_i的函數(shù)；

S33：建立校正的類原型表示為：