CN116310510B 一种基于小样本深度学习的高光谱图像分类方法 （西安电子科技大学）

一种基于小样本深度学习的高光谱图像分本发明涉及一种基于小样本深度学习的高域高光谱图像和目标域高光谱图像的每个像素点为中心提取若干第一图像块和若干第二图像成源域支持集以及部分第一图像块组成源域查高光谱图像输入至训练好的小样本谱空特征提高分类精度且能够更深层次的提取高光谱图像2步骤2、对所述源域高光谱图像和所述目标域高光谱图像的边缘部分分别进行填充处步骤5、将待分类的高光谱图像输入至所述训练好的小样本谱空特征提取卷积神经网接层和softmax分类器串联，所述谱分支网络包括2个3D可形变卷积块和2个第一最大池化2个所述第一最大池化层依次串联，空间分支网络域注意力模块包括依次串联的多尺度空所述域注意力模块采用2D卷积层，其中包括1个光谱注意力模块和2个空间注意力模步骤2.1、对所述源域高光谱图像和所述目标域高光谱图步骤2.2、以所述填充后的源域高光谱图像和所述填充后的目标域高光谱图像中每个述3D可形变卷积块包括3个3D可形变卷积层和3个第一激活函数层，第1个所述3D可形变卷层的输出与第3个所述3D可形变卷积层的输出相加组成残差3述小样本谱空特征提取卷积神经网络的总损total表示小样本谱空特征提取卷积神经网络的总损失函数，Lfsl表示交叉熵损ωl表示源域支持集或目4述小样本谱空特征提取卷积神经网络更新后的权重向量W5classificationapproachbasedonspatialneighborhoodinformationandclassifiercombination”(ISPRSjournalofphotogrammetryandremotesensing，能力。YueWu等人在其发表的论文“Semi-supervisedhyperspectralimage[0004]BingLiu等人在其发表的论文“Deepfew-shotlearningforhyperspectralimageclassification”(IEEETransactionsonGeoscienceandRemoteSensing，中学习度量空间来更好地帮助分类。KuiliangGao等人在其发表的论文“Deeprelation6[0009]步骤2、对所述源域高光谱图像和所述目标域高光谱图像的边缘部分分别进行填[0012]步骤5、将待分类的高光谱图像输入至所述训练好的小样本谱空特征提取卷积神[0014]步骤2.1、对所述源域高光[0015]步骤2.2、以所述填充后的源域高光谱图78状的高光谱图像能够更好的提取深层信息并且能够保留浅层网络的信息，提高分类精度；[0045]图1是本发明实施例提供的一种基于小样本深度学习的高光谱图像分类方法的流[0046]图2是本发明实施例提供的一种小样本谱空特征提取卷积神经网络的模型结构示[0049]图5是分别用本发明和现有两种网络在UniversityofPavia数据集上的分类结9[0050]图6是分别用本发明和现有两种网络在IndianPines数据集上的分类结果仿真经填充处理后的源域高光谱图像和目标域高光谱图像的每个像素点为中心提取若干第一[0059]具体的，本实施例分别对源域高光谱图像和目标域高光[0061]步骤2.2、以填充后的源域[0062]具体的，第一图像块为以填充后的源域高光谱图像中像素点为中心提取的像素再挑选出部分组成源域查询集；从每个类别的第二图像块中挑选出部分组成目标域支持集进行复制)之后，对于每个类别从目标域数据集中随机挑选出一个图像块组成目标域支征提取卷积神经网络，小样本谱空特征提取卷积神经网络从光谱和空间两个方面提取特3个3D可形变卷积层的输出相加组成残差结构，3D可形变卷积层是通过在3d卷积中加入可[0070]3D可形变卷积层的卷积核大小均设置为3*3*3；每个第一激活函数层的激活函数[0078]该多尺度空间特征提取模块中的第1个尺度操作层对选取的图像块四周边缘减少[0080]域注意力模块采用2D卷积层，其中包括1个光谱注意力模块和2个空间注意力模连接层和softmax分类器串联组成小样本谱空特征提取卷积神经网络，域注意力模块为卷Fωs表示源域数据积神经网络的损失值不再下降且当前训练轮次数小于迭代次数T或者训练轮次数达到迭代[0099]对小样本谱空特征提取卷积神经网络进行T次权重更新，得到更新后的权重向量[0103]步骤5、将待分类的高光谱图像输入至训练好的小样本谱空特征提取卷积神经网谱间特征，克服了现有技术在谱间特征提取时由于卷积核固定无法提取更多的有用信息，得小样本谱空特征提取卷积神经网络更关注样本分布不集中或样本量很少的地物类[0111]本发明的仿真实验是采用本发明和两个现有RN-FSC和DCFSL方法分别对UniversityofPavia和IndianPines高光谱数据集中地[0112]所述RN-FSC方法是指：KuiliangGao等人在“Deeprelationnetworkfor高光谱分类方法，其特征学习模块和关系学习模块可以充分利用高光谱图像中的空间-光hyperspectralimageclassification[0114]本发明中使用的目标域数据集为UniversityofPavia和IndianPines高光谱数地物类别123456789Buildings-Grass-Tree[0130]图5(a)为用现有RN-FSC方法在UniversityofPavia高光谱数据集上的分类结[0133]从图5(c)可以看出，本发明在UniversityofPavia数据集上的分类结果图明显[0138]将上述两个仿真中本发明和现有技术分别在UniversityofPavia高光谱数据集[0142]由表4可以看出，本发明