CN115147742B 基于3d深度卷积神经网络的小样本高光谱图像分类方法 （西安理工大学）

基于3D深度卷积神经网络的小样本高光谱本发明公开了一种基于3D深度卷积神经网数据作为一个整体输入，划分数据为训练集train以及测试集test；然后构建3DCNN的深度参数；将高光谱数据的训练集train输入到3D2步骤3、将所述步骤1中高光谱数据的训练集train输入到步骤22.根据权利要求1所述的基于3D深度卷积神经网络的小样本高光谱图像分类方法，其m12分别代表输入数据的长和宽，每个像素点是3.根据权利要求2所述的基于3D深度卷积神经网络的小样本高光谱图像分类方法，其34.根据权利要求3所述的基于3D深度卷积神经网络的小样本高光谱图像分类方法，其将步骤3.4得到的特征S4输入到步骤2.4中的第一个全连接层FC1，经激活函数作用后3DCNN深度学习网络模型中训练，训练过程中采用自适应学习率优化算法Adagrad算法寻计算更新参数θ:应用更新参数θ:θ=θ+Δθ;最终得到一组3DCNN深度学习模型对应的参数，至此3DCNN5.根据权利要求4所述的基于3D深度卷积神经网络的小样本高光谱图像分类方法，其4的分类方法是仅仅依靠图像的光谱信息进行分类的，此方法忽略了图像的空间结构信息，[0006]本发明的目的是提供一种基于3D深度卷积神经网络的小样本高光谱图像分类方5[0008]步骤1、将高光谱数据作为一个整体输入，划分数据为训练集train以及测试集骤1的高光谱数据集所拥有的类别Labe6用后再输入到步骤2.4中的第二个全连接层FC2，最后将特征S5拉成对应类别数的一维向[0038]应用更新参数θ:θ=θ+Δ7[0046]图1是本发明的基于3D深度卷积神经网络的小样本高光谱图像分类方法整体流程8骤1的高光谱数据集所拥有的类别Label中，举例说明，若实验采用PaviaUniversityGravel、树木Trees、涂漆金属板Paintedmetalsheets、贫瘠土地BareSoil、沥青用后再输入到步骤2.4中的第二个全连接层FC2，最后将特征S5拉成对应类别数的一维向9[0084]应用更新参数θ:θ=θ+Δ[0085]简单来看，Adagrad优化算法就是在每次使用一个batchsize的数据进行参数更[0095]1)Kappa系数(KappaCoef[0096]2)平均精度AA(Averageaccuracy):将测试集上每类正确分类的像素点个数除以[0101]2.本发明的仿真实验环境平台为：Intel(R)core(TM)i7_10700@2.90GHz，RAM[0119]2)He等人在其发表的论文“Multi_scale3Ddeepconvolutionalneuralnetworkforhyperspectralimageclassification[J].2017IEEEInternational[0120]3)Li等人在其发表的论文“Spectral_spatialclassificationofhyperspectralimagerywith3Dconvolutionalneuralnetwork[J].RemoteSensing,[0121]4)Lee等人在其发表的论文“GoingdeeperwithcontextualCNNforhyperspectralimageclassification[J].inIEEETransactionsonImage[0124]从实验结果中HE和本文算法可以看出，在使用5％进行训练多尺度策略的结构是有效的，且本文的算法平均准确率和Kappa都超出其他对比算法2说明在训练样本有限[0127]由于Salinas数据集中像素点较多，因此选用少量训练样本。