基于神经网络架构搜索的高光谱分类方法技术

本发明专利技术公开了一种基于神经架构搜索的高光谱图像分类方法，属于图像分类技术领域，该方法依次执行以下步骤：输入高光谱图像(HSI)，利用滑动窗口裁剪为32

【技术实现步骤摘要】
基于神经网络架构搜索的高光谱分类方法


[0001]本专利技术基于神经网络架构搜索的高光谱分类方法，属于遥感图像分类、智能解译


技术介绍

[0002]高光谱图像是通过高光谱成像仪获取的图像，光谱信息和空间维度信息十分丰富，因此被广泛应用于精准农业、海洋水文监测、大气环境监测等领域。高光谱图像分类是指为场景中的每个像素分配一个类别的任务。由于高光谱图像涉及的领域广泛且深远，因此高光谱图像分类是遥感领域的重点研究方向。
[0003]近年来，深度学习的崛起推动高光谱图像分类得到进一步发展。传统的CNN架构需要依靠手工进行设计以及参数的调整，同时会耗费大量的时间和精力。在这种情况下，自动生成神经网络架构的方法，即神经网络架构搜索(NeuralArchitecture Search，NAS)，引起了人们的大量关注。NAS通过松弛搜索空间，使其变得连续可微，然后通过梯度下降法学习每个操作的权重，优化结构的性能，使结构搜索更加高效。

技术实现思路

[0004]针对上述问题，本专利技术提供了基于神经架构搜索的高光谱图像分类方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经架构搜索的高光谱图像分类方法，其特征在于，包括以下步骤：步骤a、输入待分类的高光谱图像；步骤b、利用采用滑动窗口的策略对HSI图像进行裁剪并划分训练样本、验证样本和测试样本；步骤c、利用6种预设操作构建神经架构搜索(NAS)的空间，将训练样本输入该空间；步骤d、利用梯度算法的搜索策略搜索出候选网络结构，搜索过程中利用β
‑
衰减对体系结构参数进行正则化；步骤e、利用置信学习率(CLR)进行结构梯度权重更新；步骤f、将搜索到的预设操作组成基础单元，并连接构成最优神经网络架构；步骤g、利用最优神经网络架构对HSI进行分类，获得分类结果。2.根据权利要求1所述的基于神经架构搜索的高光谱图像分类方法，其特征在于，步骤b具体为，通过采用滑动窗口的策略对样本进行的裁剪，窗口大小为32
×
32，重叠率设为50％。从样本中随机选择300个样本作为训练数据集，200个样本作为验证数据集，剩余样本作为测试集。3.根据权利要求1所述的基于神经架构搜索的高光谱图像分类方法，其特征在于，步骤c具体为：步骤c1、设是有向边上的一组候选操作集，由架构参数α
(m,n)
参数化获得预设操作，每条边上的预设操作一共包括6种。分别是空操作(None)、跳接操作(Skip
‑
Connect，Skip)、最大池化操作(Max pooling)、可分离卷积操作(Separate Conv)、空洞卷积操作(Dilated
‑
Conv)、平均池化操作(Avg pooling)，其中各项操作的卷积核为3
×
3、5
×
5以及7
×
7，将以上操作定义为搜索空间内的候选操作集O；步骤c2、将训练样本输入搜索空间。4.根据权利要求1所述的基于神经架构搜索的高光谱图像分类方法，其特征在于，步骤d具体为：步骤d1、利用Softmax函数，将离散搜索空间变为连续空间；为了使搜索空间连续，α
o(m,n)
将候选操作集O中离散化的操作转化为所有可能操作的Softmax算法的集合；其中：表示的是所有可能操作的集合，操作集中所有系数的和为1。α
o(m,n)
表示的是节点之间的架构参数(m＝0,1,
…
,N
‑
1；n＝0,...

【专利技术属性】
技术研发人员：王爱丽，宋璎珞，丁姗姗，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：