基于波段保留与对抗生成网络的高光谱遥感数据增强方法技术

本发明专利技术涉及一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法，将传统的特征保留数据增强策略与基于GAN网络的数据增强方法相融合，并创造性的应用于高光谱遥感数据，根据高光谱图像波段数目多的特点并结合GAN网络生成数据质量，设计了全新的波段选择融合策略，将波段选择融合策略融入GAN的训练过程，并构建了一个全新的GAN网络，为了增加GAN网络生成样本的多样性，设计了全新的GAN网络训练流程，本发明专利技术的高光谱遥感数据增强方法，有效缓解了高光谱遥感领域中分类问题中遇到的小样本问题和数据类别不均衡问题，提高了分类的精确度。确度。确度。

【技术实现步骤摘要】
基于波段保留与对抗生成网络的高光谱遥感数据增强方法


[0001]本专利技术属于数据增强
，具体涉及一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法。

技术介绍

[0002]在以神经网络为代表的深度学习方法被提出后，其在计算机视觉领域得到了广泛应用。同时，研究人员提出了多种基于神经网络变体针对高光谱遥感图像的分类策略，其中的主要代表是DBN(深度置信网络)、RNN(循环神经网络)、GCN(图卷积神经网络)、CNN(卷积神经网络)等神经网络架构。上述技术方案通过神经元或者卷积层自适应提取目标数据集的典型特征进行分类识别，在数据充足的情况下可以达到理想的精度。但是在高光谱数据应用场景往往面临着小样本问题和数据不均衡问题。研究人员为了缓解这种问题，使用了不同的数据增强策略。数据增强策略从根源出发，充分发掘现有数据的信息表达能力，对数据进行扩增生成。
[0003]当前，对于高光谱遥感数据广泛应用的数据增强方法为以下几种，一种是传统的数据增强方法，保留原始数据的部分特征或者将原始数据进行简单变换，虽然这些方法有时简便高效，但是它们无法引本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，包括：步骤1：获取高光谱遥感数据集中需要进行扩增增强的类别和对应的数据样本，构成小样本训练集；步骤2：对于每一个需要进行扩增增强的类别，构建对应的GAN网络，利用噪声数据和小样本训练集中每个类别的样本数据集对对应的GAN网络分别进行训练；步骤3：将随机噪声和类别标签输入至对应训练完成的GAN网络中，生成每个类别的虚假数据集，将所述虚假数据集和相应类别的样本数据集中的数据进行波段融合，得到每个类别对应的混合数据集，所述混合数据集作为需要进行扩增增强类别的扩增数据。2.根据权利要求1所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，在所述步骤2中，利用噪声数据和小样本训练集中一个类别的样本数据集对对应的GAN网络进行训练，包括以下步骤：步骤a：将噪声数据输入至GAN网络的生成器中，生成虚假训练数据集；步骤b：采用向下取整的方式将所述样本数据集划分为样本数量相同的第一真实数据集和第二真实数据集；步骤c：将所述第一真实数据集和所述虚假训练数据集中的数据进行波段融合，形成融合数据集；步骤d：将所述虚假训练数据集和所述融合数据集作为假数据，将所述第一真实数据集和所述第二真实数据集作为真数据，输入至所述GAN网络的鉴别器中，进行对抗训练，计算损失值并根据损失值更新GAN网络的鉴别器和生成器的网络参数，直至达到预设的训练次数，得到训练完成的GAN网络。3.根据权利要求2所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，在所述步骤a中，生成的所述虚假训练数据集的大小为对应类别的样本数据集大小的一半。4.根据权利要求2所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，所述步骤c包括：将所述第一真实数据集和所述虚假训练数据集中的数据一一对应进行波段融合，生成对应的融合数据，所有融合数据构成所述融合数据集，其中，波段融合包括以下步骤：步骤
①
：将所述第一真实数据集中的一个数据与所述虚假训练数据集中对应的一个数据，分别进行光谱维度的切分，得到对应的多个波段数据；步骤
②
：按照下式计算得到每个波段的波段分数：Score
i
＝KL[P(x
i
)||(
i
)]+((
i
))；式中，Score
i
表示第i个波段的波段分数...

【专利技术属性】
技术研发人员：张明阳，王昭阳，公茂果，李豪，武越，王善峰，蒋祥明，冯丹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：