CN115019104B 基于多源域自注意力的小样本遥感图像分类方法及系统 （中山大学）

基于多源域自注意力的小样本遥感图像分本发明公开了基于多源域自注意力的小样集特征和目标域样本集特征对预先构建的分类数据的全局特征与局部特征的同时提升分类神2基于映射层对遥感影像数据集进行预处理，得到源域样本集特征和目标域样本集特所述基于源域样本集特征和目标域样本集特征对预先构建的分类神经网络模型进行基于特征提取器分别对源域样本集特征和目标域样本集特征进行小将源域样本集的辨别特征提取信息和目标域样本集的辨别特征提取信息分别输入域根据源域样本集的辨别特征提取信息、目标域样本集的辨别特集的域转移损失值和目标域样本集的域转移损失值计算分类神经网基于映射层对源域数据集和目标域数据集的维数进行变换处理通过输入层的卷积块提取源域样本集特征和目标域样本集特征通过Transformer层提取池化结果通过输出层输出池化结果的全局特征并根据其特征距离进行小样本本集的辨别特征提取信息和目标域样本集的辨别所述域鉴别器上定义的域转移损失函数定义如3将遥感影像数据集输入至训练完成的分类神基于训练完成的分类神经网络模型的特征提取器与域鉴别器提取遥感影像数据集的基于训练完成的分类神经网络模型的分类器，通过近邻法对遥感影像基于训练完成的分类神经网络模型的分类器，计算查询集样根据欧式距离值的大小按照递增次序排列，选取与待预测查询集样本点最近的k个支根据统计结果选取当中出现频率最高的类别作为预处理模块，基于映射层对遥感影像数据集进行预处理，得到源训练模块，基于源域样本集特征和目标域样本集特征分类模块，基于训练完成的分类神经网络模型对遥感4[0006]基于源域样本集特征和目标域样本集特征对预先构建的分类神经网络模型进行5[0014]将源域样本集的辨别特征提取信息和目标域样本集的辨别特征提取信息分别输样本集的域转移损失值和目标域样本集的域转移损失值计算分类神经网络模型的总损失域样本集的辨别特征提取信息和目标域样本集的辨[0031]基于训练完成的分类神经网络模型的特征提取器与域鉴别器提取遥感影像数据6[0035]根据欧式距离值的大小按照递增次序排列，选取与待预测查询集样本点最近的k步骤的执行顺序均可根据本领域技术人员的[0049]参照图1和图5，本发明提供了基于多源域自注意力的小7[0051]S11、获取遥感影像数据集，所述遥感影像数据集包括源域数据集和目标域数据查询集查询集和支持集的样本不重合，由于目标域中标记样本数量稀为统一的固[0060]S22、基于特征提取器分别对源域样本集特征和目标域样本集特征进行小样本学[0062]S222、通过输入层的卷积块提取源域样本集特征和目标域样本集特征的局部特[0065]具体地，通过3D池化函数(MaxPool3D)对特征进行区域最大化操作，窗口大小为[0068]x←Proj(Pool(x))+Attention(Pool(Norm(x)))+ff(Proj(Pool(x))+Attention8[0076]S225、通过输出层输出池化结果的全局特征并根据其特得到源域样本集的辨别特征提取信息和目标域样本集的辨j是样本xj的标签；[0083]S23、将源域样本集的辨别特征提取信息和目标域样本集的辨别特征提取信息分9源域样本集的域转移损失值和目标域样本集的域转移损失值计算分类神经网络模型的总[0100]S32、基于训练完成的分类神经网络模型的特征提取器与域鉴别器提取遥感影像[0116]以上是对本发明