【技术实现步骤摘要】
一种多监督递归学习的深度网络多源光谱图像融合方法
[0001]本专利技术涉及高光谱图像融合领域,特别是一种多监督递归学习的深度网络多源光谱图像融合方法。
技术介绍
[0002]近年来,深度学习成了人工智能领域的研究热点,获得理论界和工业界的广泛关注,在模式识别、计算机视觉、自然语言处理等领域获得大量应用。深度学习模型一般为具有多层结构的神经网络,通过多层神经网络的多重非线性变换对数据进行多层次的特征提取,自动学习从低级到高级的层级特征,随着层数增加,特征的抽象程度也随之增强。相比于传统浅层机器学习模型,深度学习模型的特征更为全面,也克服了人工设计特征对个人经验的依赖。
[0003]深度学习也在高光谱图像融合领域得到了广泛的应用,大量基于卷积神经网络的高光谱图像融合模型被提出,如[Masi G,Cozzolino D,Verdoliva L,et al.Pansharpening by convolutional neural networks[J].Remote Sensing,2016,8(7):594.]。PNN网络仅为三层结构,简单增加层数并不能提升性能,这是因为网络层数增加时,模型难以得到有效训练。残差连接可以解决网络过深时难以训练的问题,例如梯度爆炸和梯度消失。目前,研究者已经提出许多基于残差连接的网络模型,如[Yuan Q,Wei Y,Meng X,et al.A multiscale and multidepth convolutional neural network for remote s
【技术保护点】
【技术特征摘要】
1.一种多监督递归学习的深度网络多源光谱图像融合方法,其特征在于,包括以下步骤:第一步,采取递归学习,构成递归残差子网络,每个递归残差子网络的输出和输入相加作为下一递归残差子网络的输入;第二步,整体网络模型由预超分辨模块和融合模块构成,预超分辨模块实现上采样插值的自动学习,预超分辨图像与多光谱图像拼接作为融合模块输入;第三步,采取多个递归残差子网络堆叠方法建立预超分辨模块和融合模块;第四步,采用多监督学习方式,低层、中间层与高层的各级特征经过拼接与卷积层形成各级中间融合图像;第五步,以L1范数和光谱角作为损失函数的两个度量,各级中间融合图像与真实图像建立联合损失函数,进行端对端网络训练。2.根据权利要求1所述的多监督递归学习的深度网络多源光谱图像融合方法,其特征在于,第一步,采取递归学习,即多层网络共享一个残差块,构成递归残差子网络,每个递归残差子网络的输出和输入相加作为下一递归残差子网络的输入;记输入高光谱图像为X∈R
h
×
w
×
C
,h、w、C分别表示X的高、宽和通道数;多光谱图像为Y∈R
H
×
W
×
c
,H、W、c分别表示Y的高、宽和通道数;第i个残差块输入为Res
i
,输出为则有:则有:则有:则有:其中,m、n分别表示预超分辨模块残差块数、总残差块数,σ表示激活函数,运算符表示卷积运算,表示卷积核参数,k为内核大小,u表示输入、输出通道数,b
i,1
∈R1×
u
、b
i,2
∈R1×
u
表示偏置项,F
i
(
·
)表示第i个残差块;记第i个递归子网络为G
i
(
·
),输入为Rec
i
,输出为则有:则有:则有:则有:3.根据权利要求1所述的多监督递归学习的深度网络多源光谱图像融合方法,其特征在于,第二步,网络由预超分辨模块和融合模块构成,预超分辨模块实现上采样插值的自动学习,预超分辨图像与多光谱图像拼接作为融合模块输入;记预超分辨模块为P(
·
),融合模块为Q(
·
),预超分辨图像为Z
pre
∈R
H
×
W
×
c
,融合模块输入为Z
in
∈R
H
×
W
×
(C+c)
,则有:Z
pre
=P(X)Z
in
=[Z
pre
,Y]其中,[
…
]表示拼接操作,X,Y分别表示高光谱和多光谱图像。
4.根据权利要求1所述的多监督递归学习的深度网络多源光谱图像融合方法,其特征在于,第三步,采取多个递归残差子网络堆叠方法建立预超分辨模块和融合模块;记预超分辨模块第i个递归子网络输出特...
【专利技术属性】
技术研发人员:肖亮,陆育达,刘鹏飞,杨劲翔,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。