基于深度流形蒸馏网络的高光谱遥感图像场景分类方法技术

本发明专利技术公开一种基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，包括：1）对相同波段的高光谱遥感图像进行处理，得到多个基础数据；基础数据中的一部分记作训练数据，另一部分记作测试数据；2）采用Swin Transformer网络架构构建教师模型；用训练数据对教师模型进行训练，直至教师模型收敛；3）采用ResNet‑18网络架构构建学生模型；用教师模型和学生模型构建参数优化模型；对参数优化模型进行参数优化操作，得到收敛后的学生模型；本发明专利技术的有益技术效果是：提出了一种基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，该方案可以在计算复杂度较低的情况下具有优异的分类性能。

【技术实现步骤摘要】

本专利技术涉及一种高光谱遥感图像处理技术，尤其涉及一种基于深度流形蒸馏网络的高光谱遥感图像场景分类方法。

技术介绍

1、作为遥感图像解译领域中的重要组成部分，场景分类问题的核心在于根据遥感图像所呈现的视觉信息，为每幅图像赋予预先定义的场景标签，在智慧城市、环境保护以及军事侦查等领域应用前景广阔。

2、当前遥感场景分类任务主要对象是高分图像，高分图像的空间分辨率较高，包含着丰富的地物空间信息。高分场景分类根据特征提取过程不同可分为两大类：传统方法和基于深度学习的方法。传统方法通常依据专家先验知识，针对纹理、颜色、结构以及光谱等信息手工设计特征提取器来获取场景的浅层特征如颜色直方图、局部二值模式等进行分类，或者将提取到的浅层特征利用特征编码进行映射，构建鉴别能力更强的中层特征如视觉词袋、概率潜在语义分析等，再对中层特征进行分类。虽然传统方法简单稳定，但其无法利用图像中深层语义特征导致分类性能受限；同时依赖于研究人员的先验知识，泛化性不强。

3、相比传统方法需要手工设计特征提取器，深度学习能够通过数据驱动的方式，构建具有自优化能力的非线性本文档来自技高网...

【技术保护点】

1.一种基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，其特征在于：所述高光谱遥感图像场景分类方法包括：

2.根据权利要求1所述的基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，其特征在于：

3.根据权利要求2所述的基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，其特征在于：按下式计算流形匹配损失：

【技术特征摘要】

1.一种基于深度流形蒸馏网络的高光谱遥感图像场景分类方法，其特征在于：所述高光谱遥感图像场景分类方法包括：

2.根据权利要求1所述的基于深度流形蒸馏网络的...

【专利技术属性】
技术研发人员：黄鸿，赵全意，杨利平，
申请(专利权)人：重庆大学，
类型：发明
国别省市：