CN117011714B 基于伪标签辅助的高光谱图像分类方法 （西安电子科技大学）

本发明公开了一种基于伪标签辅助的高光将其输入到两个结构相同的双分类器中获取各用源域和目标域特征图构建类感知最大均值差度神经网络及双分类器中，获得最终的分类结果。本发明有效提高了高光谱图像分类的准确2(1)从公开高光谱数据集中获取两个具有部分类别相同的数据集，将其中一个作为带(3)将源域数据集SD输出特征图fs和',4a)将源域SD样本的两个预测概率p',p:和目标域TD样本的两个预测概率p',p:输入(5)根据源域SD样本特征图fs及其对应的真实标签ys和目标域TD样本特征图ft构建类f为第j个目标域M=(",其中fis,为第i个源域SD样本的特征图，为第i个源7b)从M中逐类别随机抽取部分特征图及对应标签标签传播概率Ψ*；7d)根据目标域TD样本的两个预测概率p',p;,计算目标样本的重加权权重r：37e)根据目标样本的重加权权重r对目标域T7f)根据剪枝后的伪标签得到其对应的目标域可信样本并将这两者组成新的目所述前两个全连接层的输入维度和输出维度均为200，第三个全连接层的输入维度为4.根据权利要求1所述的方法，其特征在于，步骤4a)得到其中p1表示第一分类器C1输出参与计算的源域和目标域样本的预测概率,p2表示第二分类器C2输出参与计算的源域和目标域样本的预测概率，y表示参与计算的源域和目标域p1,i表示第一分类器C1输出的第i个样本的预测概率，5.根据权利要求1所述的方法，其特征在于44b1)对分类损失函数Lcls进行最小化，即通过反向传播对F的参数θF、分类器C1的参数4b2)对差异损失函数Ltd先进行最大化,即通过应的真实标签ys和目标域TD样本特征图ft构建类感知最大均值差异损失函数Lc，实现步骤"=k,则否则j(y;,k)=0,Mean(·)表示求均值，"7c)根据源域SD样本特征图fs及其对应真实标签ys和目标域TD样本特征图ft及其对应5个源域样本的特征图,为第i个源域样本的真实标签，为第j个目标域样本的特征图,8b)根据余弦相似度矩阵U确定对角线元素为0的标签传播概率Ψ*：6更具判别性的深度嵌入空间。其中第一阶段利用最大均值差异MMD准则来最小化源域和目章《Cross_DatasetHyperspectralImageClassificationBasedonAdversarial用变分自编码器构成一个生成器，以对抗的方式驱动目标样本在源域的支持下进行分类。7然而该方法由于直接使用网络预测得到的高噪声率的伪标签作为辅助来最小化两个域之[0009](1)从公开高光谱数据集中获取两个具有部分类别相同的数据集，将其中一个作[0011](3)将源域数据集SD输出特征图fs和目标域TD输出特征图ft分别输入到双分类器[0012](4)将源域SD样本的两个预测概率P",P;和目标域TD样本的两个预测概率p',输入到分类[0013](5)根据源域SD样本特征图fs及其对应的真实标签ys和目标域TD样本特征图ft构则(y',k)=1,否则是将源域和目标域进行转换的嵌入空间的[0016](6)对类感知最大均值差异损失函数Lc进行最小化，以对第一次更新后的深度神M=(",8[0020]7b)从M中逐类别随机抽取部分特征图及对应标签作为源域样本SD本的标签传播概率Ψ*；[0022]7d)根据目标域TD样本的两个预测概率pf,p;,计算目标样本的重加权权重r：[0024]其中p'=(p'+p;)/2;[0028]7f)根据剪枝后的伪标签得到其对应的目标域可信样本书,并将这两者组成新的目标域数据集以替换原有的目标域数据集TD，得到新的目标域数据集TD,；[0029](8)将新的目标域TD,样本依次输入到第二次更新后的深度神经网络F″和双分类能力及两个分类器的判别分类能力；同时由于该损失函数不要求网络最后几层为全连接[0038]图6是用本发明与现有的五种分类方法在Houston数据集上进行实验的分类结果9[0039]图7是用本发明与现有的五种分类方法在HyRANK数据集上进行实验的分类结果[0045]第一对数据集为Pavia数据集，其包括PaviaUniversity和PaviaCenter两个数据集，这两个数据集共享7个土地覆盖物类别，将PaviaUniversity数据集作为源域数据[0046]第二对数据集为Houston数据集，其包括Houston2013和Houston2018两个数据集，这两个数据集共享7个土地覆盖物类别，将Houston2013数据集作为源域数据集，色图、图4(b)是Dioni数据集的真实标签、图4(c)是Loukia数据集的伪彩色图、图4(d)是1234567123456Non_residentialbuildi7[0055]本实例所使用样本均从源域数据集SD和目标域数据集TD中随机抽取180个样本，并[0056]用选取的源域标记样本组成源域集合用选取的目标域样本组成[0059]从现有的深度神经网络中选用一种深度神经网络F，该网络包括一维卷积神经网[0068]本实例选用但不限于由全连接层组成的两个同结构的双分类器C[0074]3.1)将源域数据集SD和目标域数据集TD分别输入到深度神经网络F进行特征提[0077](4.1)将源域的两个预测概率和目标域的两个预测概率p',p同时输入到现有的分类损失函数和分类器差异损失函数，得到源域和目标域的分类损失函数Lcls和第二分类器C2输出参与计算的源域和目标域样本的预测概率，y表示参与计算的源域和目[0084](4.2.2)对差异损失函[0087](5.1)根据源域SD样本特征图fs及其对应的真实标签ys和目标"为第i个源域样本的特征图，对为第i个源域样本的[0094](5.1.3)根据源域SD样本特征图fs及其对应真实标签ys和目标域TD样本特征图ft为第i个源域样本的特征图,为第i个源域样本的真实标签，为第j个目标域样本的特[0097](5.2)对上述类感知最大均值差异损失函数Lc进行最小化，即通过反向传播对F,的参数θF,[0101](6.2)从M中逐类别随机抽取部分特征图及对应标签作为源域样本SD的投影osTD样本的标签传播概率Ψ*：[0121](6.6)根据剪枝后的伪标签得到其对应的目标域可信样本并将这两者组成[0123]将新的目标域TD′样本依次输入到第二次更新后的深度神经网络F″和双分类器[0136]实验1，分别用本发明和五种现有高光谱图像分类方法DAN、DeepCoral、DSAN、83.2885.1283.2084.4992.3594.2583.0684.6182.5383.3090.4993.04K79.8882.1279.8681.3590.7693.06[0139]从表4中可以看出，与五种现有方法对比，本发明的总体精度OA、平均精度AA和[0140]将图5中每个视图与图2(d)的PaviaCenter真实标签对比可以看出，本发明更贴[0141]实验2，分别用本发明和五种现有高光谱图像分类方法DAN、DeepCoral、DSAN、58.9059.5371.1364.4672.5969.6271.4366.5753.3575.1374.62K43.6344.8342.7451.4759.79[0144]从表5中可以看出，与五种现有方法对比，本发明的总体精度OA、平均精度AA和[0145]将图6中每个视图与图3(d)的Houston2018真实标签对比可以看出，本发明更贴[0146]实验3，分别用本发明和五种现有高光谱图像分类方法DAN、DeepCoral、DSAN、[0149]从表6中可以看出，与五种现有方法对比，本发明的总体精度OA、平均精度AA和[0150]将图7中每个视图与图4(d)的Loukia真实标签对比可以看出，本发明更贴近真实[0152]DAN，是2015年会议Internationalconferenceonmachinelearning上的文章[0153]DeepCoral，是2016年会议omputerVision–ECCV上的文章《Deepcoral:systems》上的文章《Topol