CN119399562A 一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法 （浙江安防职业技术学院）

一种基于元伪标签多尺度图卷积网络的高本发明涉及一种基于元伪标签多尺度图卷利用SLIC超像素分割技术将HSI划分为不同尺度络的半监督教师_学生模型来生成元伪标签，并的HSI数据集上取得了比先进方法更高的分类精22.根据权利要求1所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，3.根据权利要求1所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，c)编码器特征权重搜索，编码器基于每一d)解码器特征权重搜索，解码器设置由与编码器相对34.根据权利要求3所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，像经过卷积后的特征；所述图卷积网络的计算表达式为，其,,其中，表示编码器第一部分不同层得到的变换结果,表示每一层的输出,,,,,,4,部分与编码器第一部分中第一个值的特征图进行连接5.根据权利要求1所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，本类别的概率分布表达，学生网络在标签数据和无标签数据上预测的类别的概进行预测的类别。6.根据权利要求5所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，,的伪标签中第j个类别的标签值，j,(xvps)表示学生网络在样本上对于类别j的预测概;通过最小化期望损失，将使用伪标签训练的最优学生网络参数表示为。7.根据权利要求6所述一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，最优学生网络参数转换表示为i,,5[0002]高光谱遥感技术通过获取地物在不同波段下的光谱反射率来获取地物的光谱信GCN已经具备一定的自适应性的特征提取能力，但在在不同尺度特征的重要性分配上并不基于元伪标签多尺度图卷积网络的高光谱图像分类方法成为了急需[0007]本发明的技术方案，一种基于元伪标签多尺度图卷积网络的高光谱图像分类方的图特征结构，与不同尺度下超像素之间关系的层次矩阵H，之后将超像素点作为图的节6到三个维度相同的特征映射，最后在编码器第二部分的特征映射中引入权重参数、wa,其中，是超像素分割后第一个层次矩阵H经过归一化后的转置矩7,,,,,,其中，表示解码器的主要部分与不同层的关联的转换结果,表示在解,,,第二部分与编码器第一部分中第一个值的特征图进行连无标签数据上得到的样本类别的概率分布表达，学生网络在标签数据和无标签8数据上预测的类别的概率分布分别为和，其中，yi和xa分别表示对应标签数据和无标签数据进行预测的类别。,样本的伪标签中第j个类别的标签值，表示学生网络在样本上对于类别j的预将学生网络在利用教师网络生成的伪标签下得到的训练损失表示为;通过最小化期望损失，将使用伪标签训练的最优学生网络参数表示为。以的一步梯度更新来近似多步参数优化过程，得到优化后的学生网络的损失与的关,,了具有基于像素级的拓扑结构的表示，并且与后续的超像素级的图特征建立了联系关系；9的图特征结构，与不同尺度下超像素之间关系的层次矩阵H，之后将超像素点作为图的节享同一个图卷积网络结构的半监督的教师_学生模型，由待训练的教师网络使用有标签的成基于元伪标签的多尺度特征搜索图卷积网络MPL到三个维度相同的特征映射，最后在编码器第二部分的特征映射中引入权重参数、wa,,,,其中，表示编码器第二部分各层对应的变;,,其中，表示解码器的主要部分与不同层的关联的转换结果,表示在解码器的主要部分与编码器的第一部分特征,,后的变换结果，是解码器第二部分与编码器第一部分中第一个值的特征图进行连同时产生对应二者进行表示的参数和，并得到教师网络在无标签数据上得到的样本类别的概率分布表达，学生网络在标签数据和无标签数据上预测的类别的概率分布分别为和poulx,ps)，其中，和xa分别表示对应标签数据和无标签数据进行预测的类别。将学生网络在利用教师网络生成的伪标签下得到的训练损失表示为;通过最小化期望损失，将使用伪标签训练的最优学生网络参数表示为。学生网络参数转换表示为i,类别Oct_MCNN_HSA2S2K_ResNetMSSGUMFSGCNMPL_MFSGCN179.14±2.2693.00±0.9375.31±3.7478.78±1.1293.91±1.7191.49±5.3591.44±4.3297.54±1.17290.62±2.8997.69±0.5296.50±1.7493.63±0.7198.73±0.4198.88±0.4499.66±0.1799.25±0.31345.11±4.4775.98±2.4473.33±9.3572.41±5.8391.04±8.0899.58±0.5097.25±2.3599.33±0.88497.90±3.4993.24±0.8496.61±1.4999.37±0.3098.40±2.5192.25±5.4698.58±2.44597.68±1.4562.27±14.5897.50±5.0096.93±1.5396.95±3.2199.08±0.9297.89±1.9299.87±0.06686.40±6.0674.32±1.8998.26±2.1496.22±0.6399.90±0.1099.94±0.1199.67±0.5899.99±0.01755.17±5.7438.64±3.7897.14±5.7284.93±5.6991.72±7.3594.07±5.2290.47±2.2898.49±1.83868.67±2.4270.34±2.6368.02±9.2965.99±3.8992.02±4.9482.91±7.5988.38±6.9990.73±3.91990.09±7.0568.65±2.7196.39±2.8099.51±0.6595.87±3.7999.23±1.3384.13±2.1186.88±0.8889.53±1.8188.23±0.6796.81±0.8496.01±1.1196.07±0.9698.21±0.4778.98±1.2576.74±2.3582.34±4.8486.88±1.0495.91±1.5696.04±0.5894.76±1.5198.11±0.7278.57±2.9180.52±4.5785.98±2.4984.16±0.9395.75±1.1194.71±1.4994.80±1.2697.62±0.62类别SS_CNNRSENOct_MCNN_HSA2S2K_ResNetCEGCNMSSGUMFSGCNMPL_MFSGCN199.46±0.81100.00±0.0098.42±2.0299.85±0.30100.00±0.0099.91±0.0899.99±0.02288.33±5.5097.54±2.56100.00±0.0097.95±0.6299.99±0.0198.82±2.0899.80±0.21100.00±0.00393.51±3.6559.61±0.96100.00±0.0099.61±0.4096.61±4.84493.04±5.2299.25±0.43100.00±0.0096.71±2.3895.39±2.5796.45±2.78599.21±0.26100.00±0.0098.62±0.4098.64±2.3899.39±0.5697.87±2.0299.57±0.45699.59±0.32100.00±0.00100.00±0.0099.40±0.2599.94±0.099997±0.0399.92±0.1599.99±0.01790.81±9.0397.54±0.6496.15±4.7299.67±0.4895.89±3.9797.14±3.3499.93±0.06873.85±4.1490.67±4.9895.13±3.8299.44±0.37990.09±2.2799.97±0.04100.00±0.0099.18±0.3499.66±0.3794.72±4.0098.99±0.8299.88±0.1497.08±0.7098.82±2.3598.29±0.3798.85±0.9194.74±5.5999.28±0.3078.54±12.0271.60±3.12100.00±0.009695±4.0794.08±10.6497.72±3.1882.52±4.7697.29±3.93100.00±0.0098.17±0.9799.46±0.479127±5.7594.97±6.3696.32±3.6499.96±0.0992.00±16.0099.33±0.7498.83±2.0599.33±0.4297.76±3.0689.94±8.5468.30±7.119590±8.2087.49±6.3597.24±4.0192.28±2.1976.25±16.7095.53±2.2168.64±5.5475.88±2.6988.75±6.1387.54±0.7697.62±2.0098.29±2.1297.66±2.0097.96±2.0896.81±0.9797.42±2.09100.00±0.0099.93±0.07100.00±0.009994±0.0999.86±0.29OA90.55±0.6695.08±0.6394.64±0.2598.33±0.1797.41±0.7999.15±0.28AA89.06±0.9490.35±0.4896.46±0.3598.69±0.3196.76±0.6498.82±0.35kappa89.46±0.7394.52±0.7194.03±0.2898.14±0.2097.12±0.8899.05±0.31类别SS_CNNRSENOct_MCNN_HSA2S2K_ResNetCEGCNMSSGUMFSGCNMPL_MFSGCN135.20±14.3465.99±6.1239.89±26.5390.00±16.2299.14±1.0399.78±0.4585.53±13.5991.80±10.84213.32±4.9821.08±0.8519.14±9.3892.30±5.1496.51±2.6885.96±152079.74±21.5696.27±4.68318.65±5.754.72±2.7124.49±14.127127±8.7571.73±15.8474.45±19.8796.72±4.36421.69±8.729.28±4.9735.52±14.4984.29±10.0374.51±20.8275.81±11.5889.69±6.51510.43±3.6336.48±3.9221.42±13.0354.75±20.2384.80±14.5474.03±11.3161.99±30.6981.89±22.30664.49±3.809.68±6.0154.93±15.4677.45±10.4152.82±7.0862.88±18.2789.75±15.66723.03±19.5258.44±4.7772.06±14.7083.08±20.7384.31±19.5963.20±18.42813.07±9.9140.14±5.7935.80±14.9476.62±9.0976.88±19.1687.19±14.3673.06±9.6975.60±8.70938.11±12.5349.80±6.6522.89±17.5095.44±5.4293.99±7.3394.81±102625.66±9.3427.03±2.3815.74±8.9596.78±1.4493.94±6.0486.15±8.2492.01±9.5889.76±9.006897±29.5268.39±252797.53±4.1096.49±4.4193.90±5.8089.94±9.5698.78±0.9026.01±5.6335.15±5.0232.18±7.0076.84±13.2188.64±17.138621±16.4693.33±5.8880.45±12.7159.05±9.3569.11±2.6262.35±9.8699.07±0.5695.49±4.2790.11±10.0085.67±6.9297.14±2.84OA34.71±3.4642.48±0.9436.26±3.3378.46±4.1386.34±3.1782.98±1.5379.17±3.7888