一种基于双域分类器协同对抗的跨域小样本分类方法技术

本发明专利技术公开了一种基于双域分类器协同对抗的跨域小样本分类方法，包括以下步骤：获取目标域数据集和源域数据集，基于所述目标域数据集和所述源域数据集进行预处理，获取查询集、支持集和测试集；确定网络超参数和网络参数，构建双域分类器协同对抗网络模型；通过查询集和支持集对双域分类器协同对抗网络模型进行训练，获取训练后的双域分类器协同对抗网络模型；将测试集对训练后的双域分类器协同对抗网络模型进行测试，获取分类结果。本发明专利技术高光谱图像为例构建网络模型；设计两个域分类器，分别采取梯度上升和梯度下降的策略，提取域无关信息和部分域相关信息，最大限度地提取出源域数据集的先验知识，更好地实现小样本情境下目标域数据的分类。境下目标域数据的分类。境下目标域数据的分类。

【技术实现步骤摘要】
一种基于双域分类器协同对抗的跨域小样本分类方法


[0001]本专利技术属于小样本分类
，尤其涉及一种基于双域分类器协同对抗的跨域小样本分类方法。

技术介绍

[0002]遥感图像具有宏观、客观、综合、实时、动态、快速等特点，为地球资源调查与开发，国土整治，环境监测，以及全球性研究，提供了一种新的探测手段，广泛用于测绘、动态监测、地球资源调查、地质灾害调查与救治等领域。遥感图像一般包括高光谱图像、合成孔径雷达图像(SAR)、点云图像、全色遥感图像等。然而，遥感图像下游任务应用的前提，是对遥感图像的解译，即遥感图像所包含信息的获取，通过信息的获取以进行后续的应用决策，例如对高光谱图像、SAR的分类。高光谱成像是遥感中的一项重要技术，通过上百个连续波段对目标地物进行成像，具有波段多的特点，含有丰富的光谱信息，得益于此，高光谱图像广泛应用于各个领域。SAR图像是利用合成孔径雷达获取的图像，具有全天候、全天时工作的优势，并且对地面、云雾等具有一定的穿透性。早期的对高光谱分类的研究多集中于手工制作的特征提取方法，如支持向量机(SVM)、K
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，包括以下步骤：获取高光谱图像的目标域数据集和源域数据集，基于所述目标域数据集和所述源域数据集进行预处理，获取查询集、支持集和测试集；确定网络超参数和网络参数，构建双域分类器协同对抗网络模型；通过所述查询集和所述支持集对所述双域分类器协同对抗网络模型进行训练，获取训练后的双域分类器协同对抗网络模型；将所述测试集对所述训练后的双域分类器协同对抗网络模型进行测试，获取分类结果。2.如权利要求1所述的基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，获取所述目标域数据集和所述源域数据集的方法包括：将两个高光谱数据集根据标注情况分为初始目标域数据集和源域数据集，对所述初始目标域数据集添加高斯噪声获取所述目标域数据集。3.如权利要求1所述的基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，基于所述目标域数据集和所述源域数据集进行预处理，获取所述查询集、所述支持集和所述测试集的方法包括：基于所述目标域数据集和所述源域数据集进行3d立方体切割处理，获取所述查询集、所述支持集和所述测试集。4.如权利要求1所述的基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，构建所述双域分类器协同对抗网络模型的方法包括：所述双域分类器协同对抗网络模型包括Mapping层、特征提取器、第一分类器和第二分类器。5.如权利要求4所述的基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，基于所述Mapping层、所述特征提取器和所述第一分类器和所述第二分类器构建所述双域分类器协同对抗网络模型的过程包括：将所述查询集和所述支持集输入所述Mapping层，通过所述特征提取器提取所述查询集的空
‑
谱特征和所述支持集的空
‑
谱特征，通过对所述查询集的空
‑
谱特征和所述支持集的空
‑
谱特征进行分类，获取源域分类损失和目标域分类损失，通过所述第一分类器和所述第二分类器对空
‑
谱特征的来源数据域进行判别，获取域判别损失。6.如权利要求5所述的基于双域分类器协同对抗的跨域小样本分类方法，其特征在于，通过特征提取器提取所述查询集的空
‑
谱特征和所述支持集的空
...

【专利技术属性】
技术研发人员：宋冬梅，覃富侯，王斌，张杰，刘善伟，高晗，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：