【技术实现步骤摘要】
本申请涉及高光谱图像分类领域，特别是涉及一种高光谱图像分类方法、装置、设备、介质及产品。
技术介绍
1、在基于图神经网络（graph neural network，gnn）的高光谱图像（hyperspectralimage，hsi）分类方法中，近邻图的构造可以分为以下两种：像素级近邻图和超像素级近邻图。其中，像素级近邻图是基于原始光谱特征和空间拓扑关系建立的图结构，这种图可以直接在局部或远距离区域之间传播信息。然而，由于每个像素被视为图中的一个节点，这会导致大量的计算，限制了它的适用范围。超像素级近邻图是通过超像素分割算法（simplelinear iterative cluster，slic）完成的，将空间纹理信息整合到图数据的构建中。这种图结构中的节点较少，计算消耗较小。
2、然而，以上两种构图方式生成的拓扑结构是固定的，在整个训练过程中，每次迭代只更新节点的特征，图的邻接关系保持不变。由于hsi复杂的数据特性及空间拓扑结构，这两种方式都无法充分学习到不同地物之间的复杂连接关系，由此造成了图中大量异质性信息的存在。>
3、近期的一本文档来自技高网...
【技术保护点】
1.一种高光谱图像分类方法，其特征在于，所述高光谱图像分类方法包括：
2.根据权利要求1所述的高光谱图像分类方法，其特征在于，将高光谱图像的局部空间信息和全局光谱信息编码至图结构数据中，构建具有全局感受野的全连接图，具体包括：
3.根据权利要求1所述的高光谱图像分类方法，其特征在于，基于动态稀疏图学习框架，根据所述全连接图中下游任务的反馈信号，学习所述全连接图中与目标任务相关的边和图表示，构建图稀疏网络，具体包括：
4.根据权利要求1所述的高光谱图像分类方法，其特征在于，利用标签传播算法学习所述图稀疏网络的最优边连接权重，具体包括：
5.根...
【技术特征摘要】
1.一种高光谱图像分类方法，其特征在于，所述高光谱图像分类方法包括：
2.根据权利要求1所述的高光谱图像分类方法，其特征在于，将高光谱图像的局部空间信息和全局光谱信息编码至图结构数据中，构建具有全局感受野的全连接图，具体包括：
3.根据权利要求1所述的高光谱图像分类方法，其特征在于，基于动态稀疏图学习框架，根据所述全连接图中下游任务的反馈信号，学习所述全连接图中与目标任务相关的边和图表示，构建图稀疏网络，具体包括：
4.根据权利要求1所述的高光谱图像分类方法，其特征在于，利用标签传播算法学习所述图稀疏网络的最优边连接权重，具体包括：
5.根据权利要求1所述的高光谱图像分类方法，其特征在于，将更新后的全连接图经图逆投影后，基于图卷积神经网络，确定图逆投影后的全连接图中每个节点的分类标签，得到具有分类标签的特征图，具体包括：
6.根据...
【专利技术属性】
技术研发人员：丁遥，张志利，胡豪杰，祝慧鑫，周召发，康伟杰，黄世奇，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。