基于伪标签辅助的高光谱图像分类方法技术

本发明专利技术公开了一种基于伪标签辅助的高光谱图像分类方法，主要解决现有技术对跨域高光谱图像分类准确率低的问题，其实现方案包括：获取并构建高光谱源域和目标域数据集；通过深度神经网络分别提取源域、目标域的特征图，并将其输入到两个结构相同的双分类器中获取各自的两个预测概率；利用源域和目标域的预测概率对深度神经网络和双分类器进行一次更新；利用源域和目标域特征图构建类感知最大均值差异损失函数，并通过最小化该损失函数对一次更新后的深度神经网络和双分类器进行二次更新；更新目标域样本，再将其输入到二次更新后的深度神经网络及双分类器中，获得最终的分类结果。本发明专利技术有效提高了高光谱图像分类的准确率，可用于智能农业和环境监测。可用于智能农业和环境监测。可用于智能农业和环境监测。

【技术实现步骤摘要】
基于伪标签辅助的高光谱图像分类方法


[0001]本专利技术属于图像处理
，具体涉及一种高光谱图像分类方法，可用于智能农业和环境监测。

技术介绍

[0002]高光谱图像HSI是一种重要的遥感数据类型，广泛应用于对地观测领域，如智能农业和环境监测。HSI包含数百个波段，为准确分类地物类别提供了丰富的信息。近年来，已经提出了许多用于HSI分类的监督学习方法，包括支持向量机、稀疏表示和卷积神经网络。监督学习方法通常需要大量标记样本才能保持较高的分类精度。然而，获得足够的标记HSI非常困难、耗时且昂贵。此外，不同时间、不同位置的HSI之间存在光谱位移。因此，传统的分类模型在一幅图像上训练，在另一幅图像上进行光谱位移训练，不能取得满意的效果。为了解决跨域遥感图像分类问题，领域自适应DA技术被广泛应用于跨场景的分类任务中。
[0003]随着软硬件水平的快速发展，深度神经网络凭借其出色的自动提取层次特征并生成准确的特征表示能力，被广泛应用于DA，能够帮助改善传统域适应方法对于HSI在不同域的非线性映射能力，从而更好地对齐源域和目标域，实现跨场景分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于伪标签辅助的高光谱图像分类方法，其特征在于，包括如下步骤：(1)从公开高光谱数据集中获取两个具有部分类别相同的数据集，将其中一个作为带真实标签的源域数据集SD，另一个作为不带真实标签的目标域数据集TD；(2)将源域数据集SD和目标域数据集TD的样本分别输入到深度神经网络F中，获得该网络最后一层的源域输出特征图f
s
，目标域输出特征图f
t
；(3)将源域数据集SD输出特征图f
s
和目标域TD输出特征图f
t
分别输入到双分类器C1和C2中，获得源域SD样本的两个预测概率中，获得源域SD样本的两个预测概率目标域TD样本的两个预测概率(4)对深度神经网络F和双分类器C1和C2进行一次更新：4a)将源域SD样本的两个预测概率4a)将源域SD样本的两个预测概率和目标域TD样本的两个预测概率和目标域TD样本的两个预测概率输入到分类损失函数中，再将目标域TD样本的两个预测概率到分类损失函数中，再将目标域TD样本的两个预测概率输入到分类器差异损失函数中，得到源域和目标域的分类损失函数L
cls
和差异损失函数L
td
；4b)通过优化两个损失函数L
cls
和L
td
更新深度神经网络F和双分类器C1和C2，得到第一次更新后的深度神经网络F
′
和双分类器C1′
和C2′
；(5)根据源域SD样本特征图f
s
及其对应的真实标签y
s
和目标域TD样本特征图f
t
构建类感知最大均值差异损失函数L
c
，其中δ(
·
)为指示函数，k为类别序号，n
s
表示源域样本数，n
t
表示源域样本数，如果则δ(y
is
,k)＝1，否则φ(
·
)是将源域和目标域进行转换的嵌入空间的层参数，为第i个源域样本的特征图,为第i个源域样本的真实标签，为第j个目标域样本的特征图,是目标域TD样本的余弦相似类别，C为类别总数，H表示希尔伯特空间；(6)对类感知最大均值差异损失函数L
c
进行最小化，以对第一次更新后的深度神经网络F
′
和双分类器C1′
和C2′
再进行更新，得到第二次更新后的深度神经网络F
″
和双分类器C1″
和C2″
；(7)对目标域样本进行更新：7a)将所有源域SD样本的特征图f
s
维护成一个记忆集合M：其中f
is
,为第i个源域SD样本的特征图，为第i个源域SD样本的真实标签；7b)从M中逐类别随机抽取部分特征图及对应标签作为源域样本SD的投影o
s
(x
s
)，把目标域TD样本的特征图f
t
作为目标域TD的投影o
t
(x
t
)；7c)将源域投影o
s
(x
s
)及其对应标签传播到目标域投影o
t
(x
t
)中，获得目标域TD样本的标签传播概率Ψ
*
；7d)根据目标域TD样本的两个预测概率7d)根据目标域TD样本的两个预测概率计算目标样本的重加权权重r：r＝max(Ψ
*
·
P
t
)其中
7e)根据目标样本的重加权权重r对目标域TD样本进行剪枝，得到的目标域TD样本的伪标签标签其中I(
·
)为指示函数，τ为权重阈值，N
t
为目标域数据集总样本个数；7f)根据剪枝后的伪标签得到其对应的目标域可信样本并将这两者组成新的目标域数据集以替换原有的目标域数据集TD，得到新的目标域数据集TD
′
；(8)将新的目标域TD
′
样本依次输入到第二次更新后的深度神经网络F
″
和双分类器C1″
和C2″
中，得到其两个预测概率G1，G2，计算两者的平均概率G＝(G1+G2)/2，取G中最大值对应类别为目标域样本的分类结果。2.根据权利要求1所述的方法，其特征在于，步骤(2)中深度神经网络F，其包括六层堆叠结构，其中：第一层由第一卷积层、第一批量归一化层和ReLU激活函数依次级联构成；第二层由第二卷积层、第二批量归一化层和ReLU激活函数依次级联构成；第三层由第三卷积层、第三批量归一化层和ReLU激活函数依次级联构成；第四层由卷积层、批量归一化层和ReLU激活函数依次级联构成；第五层为平均池化层，其池化核大小为5
×
5，步长为1；第六层为全连接层，其输入维度为200，输出维度为200；每一个卷积层的卷积核大小为1
×
1，步长stride为1，padding为0，输入和输出通道大小都为200。3.根据权利要求1所述的方法，其特征在于，步骤(3)中双分类器C1和C2，其为同一结构的两个分类器，每个分类器包括三层堆叠结构，其中：第一层由第一全连接层、第一批量归一化层和ReLU激活函数依次级联构成；第二层由第二全连接层、第二批量归一化层和ReLU激活函数依次级联构成；第三层为第三全连接层；所述前两个全连接层的输入维度和输出维度均为200，第三个全连接层的输入维度为200，输出维度为C，该维度表示源域SD和目标域TD中的共同类别数。4.根据...

【专利技术属性】
技术研发人员：冯志玺，童仕林，杨淑媛，马悦，张心雨，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：