CN119399557A 一种高光谱小样本分类方法、系统、设备及介质 （江西师范大学）

应分层特征融合模块和特征集匹配模块在多层次空间光谱特征编码模块提取空间光谱局部自适应调整，以实现精确预测高光谱小样本分2获取高光谱的源域数据集和目标域数据集，所述源域数据集包构建多层次空间光谱特征融合网络，所述多层次空间将所述支持集和所述查询集输入所述多层次空间光谱特征编码模将所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入将所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入根据所述域分布特征损失函数和所述多层次特征匹配损失函数构建总将所述目标域训练数据集输入所述初始高光谱小样本分类模型进行自适应将所述测试数据集输入所述目标高光谱小样本分类模型，得到根据所述支持集获得第一空间数据和第一光谱数据，根据所述所述多层次空间光谱特征编码模块包括空间局部特征提取单元和光谱局部特征提取据所述第一光谱数据和所述第二光谱数据分别提取不同层次的第一光谱局部特征和第二将所述第一空间局部特征和所述第一光谱局部特征进行串接后输入NetVLAD网络中，将所述第一空间光谱局部融合特征和所述第二空间光谱局部融合特征分别输入多层提取单元用于根据所述第一空间数据和所述第二空间数据分别提取不同层次的第一空间3空间数据包括所述第一空间数据和所述第二空间间局部特征和所述第二空间局部特征，所述空间局部特征提取单元为四层空23和F4。提取单元用于根据所述第一光谱数据和所述第二光谱数据分别提取不同层次的第一光谱光谱数据包括所述第一光谱数据和所述第二光谱数据，光谱局部特征将所述光谱数据输入所述四层光谱残差模块，分别获得四种不同层次的光谱局部特征G1、G23和G4。间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入所述自适应分层特征融和G4在同层次上进行特征融合，分别得到四种不同层次的空间光谱局部融合特征feai、通过第一MLP和Softmax函数对串接后的进行显著性检测，获取每个层次的空间光谱,根据所述特征距离计算对应的预测标签概率，根据所述预测标,其中表示样本属于真实标签k的预测标签概4获取数据模块，用于获取高光谱的源域数据集和目标域数据构建初步模型总模块，包括多层次空间光谱特征编码支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入所述自适应支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入所述特征集训练初步模型模块，用于根据所述域分布特征损失模型调整模块，用于将所述目标域训练数据集输入所述初始高光谱小小样本预测模块，用于将所述测试数据集输入所述目标高光谱小样其中，所述处理器被配置为执行所述可执行指令，以实现5[0001]本发明涉及高光谱遥感图像分类技术领域，具体涉及一种高光谱小样本分类方获取高光谱的源域数据集和目标域数据集，所述源域数据集包括支持集和查询域支持集和所述已标注查询集构成目标域训练数据集，所述未标注查询集作为测试数据6将所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征将所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征根据所述域分布特征损失函数和所述多层次特征匹配损失函数构建总损失函数；将所述目标域训练数据集输入所述初始高光谱小样本分类模型进行自适应调整，述光谱局部特征提取单元用于根据所述第一光谱数据和所述第二光谱数据分别提取不同二空间局部特征和所述第二光谱局部特征也进行串接后输入NetVLAD网络中，得到所述第一空间数据和所述第二空间数据分别提取不同层次的第一空间局部特征和第二空间局部F3和F4。一光谱数据和所述第二光谱数据分别提取不同层次的第一光谱局部特征和第二光谱局部723和G4。G123和G4在同层次上进行特征融合，分别得到四种不同层次的空间光谱局部融合特征取每个层次的空间光谱局部融合特征对应的显著性结果；采用第二MLP对所述局部特征集[0011]作为第一方面的一种可选实施方式，所述域分布特征损失函数的表达式为：建多层次特征匹配损失函数，所述多层次特征匹配损失函数的表达式为：属于真实标签k的预测标签概率；表示由多层次空间光谱特征编码模块提取的局所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入所述自所述支持集的空间光谱局部融合特征和所述查询集的空间光谱局部融合特征输入所述特8小样本预测模块，用于将所述测试数据集输入所述目标高光谱小样本分类模型，持集空间光谱局部融合特征和查询集空间光谱局部融合特征输入自适应分层特征融合模图7为本申请第二实施例在IndianPines数据集上本方法与其他方法获得的分类图8为本申请第二实施例在Salinas数据集上本方法与其他方法获得的分类比较9图9为本申请第二实施例在UniversityofPavia数据集上本方法与其他方法获图10为本申请第二实施例在PaviaCenter数据集上本方法与其他方法获得的分[0024]S01：获取高光谱的源域数据集和目标域数据集，源域数据集包括支持集和查询这些样本的标签可能是已知的（在训练和验证阶段用于评估模型性能也可能是未知的[0030]训练数据集构建：从DS中随机选择C类，每个类选择K个已标注样本构建支持集。然后，从相同的C类中随机选择N个与不同的已标注样本构建查询集本集x：x'=f(x)+yn(1)[0033]具体可参阅图2，为本申请第一实施例提出的多层次空间光谱特征融合网络行特征提取得到特征f2，将f1和f2相加并将结果依次输入最大池化和ReLU激活函数得到空g的空间光谱局部融合特征和查询集的空间光谱N维局部图像描述符（第一空间局部特征或第一光谱局部特征）x:(i=1,…,.N)作为输入，x:()(i=1,…,.Nj=1,…,D)表示局部描述符的第j个特征，cr()表示第k个聚类中心的第j个S04：将支持集的空间光谱局部融合特征和查询集的空间光谱局部融合特征输入特征对分类的贡献度不一致，因此在进行特征融合时需考虑不同层次特征的显著性结果的空间光谱局部融合特征对应的显著性结果；采用第二MLP对局部特征集合进行特征重fa(-)表示使用多层次空间光谱特征编码模块提取的局部特征集合；fgiosa(·)表示输出图像块的全局特征。[0048]其次，为了降低域差异的影响，本申请采用交叉熵公式计算域分布特征损失[0049]S05：将支持集的空间光谱局部融合特征和查询集的空间光谱局部融合特征输入用于衡量两个集合之间的相似性。对于集合和B={b1,b1,…,b}，HD根据Ila-bll表示集合A中的点a和集合B中的点b之间的欧几里得距离。[0052]本申请提出了一种基于单向Hausdorff距离的改进方法，以提高特征匹配过程的其中，TOP-mf-}表示选择最大的m个的局部特征集中的第i个特征；表示中的样本的局部特征集中的第j个特征；d(·)表示xa和ys的单个特征之间的欧几里得距离。图6中的(a)为孪生网络（SiameseNetwork,SN图6中的(b)为关系网络（RelationNetwork,RN图6中的(c)为原型网络（PrototypicalNetwork,PN图6中的(d)为本申请提出的相似度度量策略。本申请所提出的特征距离度量方法与图7中显示的其他三种基于FSL的经典方法不同，优势在于网络的特征提取能力以及充分利用不同层次的特征进行四个层次的局部融合特征D(.)表示两个特征集合间的距离度量，CK表示S;中第k类别的微调以适应新的数据分布。这可以通过继续训练模型或使用特定的自适应学习方法来实Pines数据集上本方法与其他方法获得的分类比较图，图8为在Salinas数据集上本方法与[0069]具体地，可参阅以下表1至表5的精度评估结果，其习模块则通过比较不同样本之间的相似性进行关系学习，即同类样本之间的关系得分高，谱图像分类中的领域偏移问题，它利用条件对抗性领域的自适应策略克服领域偏移问题，表4UniversityofPavia数据训练初步模型模块300，用于根据所述域分布特征损失函数和所述多层次特征匹模型调整模块400，用于将所述将所述目标域训练数据集输入所述初始高光谱小小样本预测模块500，用于将所述测试数据集输入所述目标高光谱小样本分类模法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质