CN119494989A 一种基于原型对齐的高光谱图像主动域适应分类方法 （南京理工大学）

一种基于原型对齐的高光谱图像主动域适本发明公开了一种基于原型对齐的高光谱目标域原型的交互引导下初步对齐域之间的分本发明能够利用有限的标注预算有效地提升目2步骤8、通过所述用于类平衡自训练的目标域样本集合的交叉熵损失与所述第二阶段2.根据权利要求1所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特;1.4、筛选所述第一个伪标签与所述其余伪标签相同的目标域样本得到高置信度目标;有属于类别c的目标域样本中第i个样本的3.根据权利要求2所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特v表示第i个源域样本的L2归一化特征向量，表示第i个源域样本的标签，it表示所述高置信度目标域样本的数量，f表示第j个所述高置信度目3;目标域原型对所述目标域样本预测的类概率分布之间的差异得到任务级原型对齐损;2.4、通过源域的交叉熵损失和所述特征级原型对齐损失以及所述任务级原型对齐损4.根据权利要求3所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特3.1、根据所述目标域原型对目标域样本预测的类概率分布得到基于原型的预测标签(xi)；3.2、将所述目标域样本通过分类器预测得到基于分类器的预测标签(xi)；3.3、通过选择所述基于分类器的预测标签和所述基于原型的预测标签不一致的目标5.根据权利要求4所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特4.1、将所述目标域特定样本的所述基于分类器的预测标签和所述基于原型的预测标4.2、将每一种所述目标域特定样本的标签对下的样本的不确定性通过分类器最高预;预测概率；当uncertainty(x)越小时，样本x的不确定性越高；将每一种标签对中不确定性得到所述每一种标签对的不确定样本子集中样本4;4.4、计算所述每一种标签对的不确定样本子集中样本和之前已选择且属于同一标签;6.根据权利要求5所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特;7.根据权利要求6所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特;的目标域样本集合，I()表示指示函数；;其中，iutc表示所述未标注目标域样本集合中属于类别c的样本数量，Dut表示所述未标注目标域样本集合，F(·)表示分类器，ic(a)表示c维向量a经softmax后输出的第c个元;5;f表示目标域中类别c的频率，Tur表示所述标注的目标域样8.根据权利要求7所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特;9.根据权利要求8所述的一种基于原型对齐的高光谱图像主动域适应分类方法，其特;6减小源域和目标域之间的分布差异，使得从源域训练的模型可以很好地泛化到目标域场特别适用于高光谱图像分类中目标域数据标注困难但仍需高精度分7[0014]步骤8、通过所述用于类平衡自训练的目标域样本集合的交叉熵损失与所述第二8[0033]1.4、筛选所述第一个伪标签与示所有属于类别c的目标域样本中第i个样本;示第i个源域样本的标签，it表示所述高置信度目标域样本的数量，f表示第j个所述高置得到目标域原型对所述目标域样本预测的类概率分布，所述类概率分布pf的第c个元预测的类概率分布；所述目标域原型对所述目标域样本预测的类概率分布pf之间的差异得到任务级原型对9[0046]2.4、通过源域的交叉熵损失和所述特[0051]3.1、根据所述目标域原型对目标域样本预测的类概率分布pf得到基于原型的预测标签(xi)；[0052]3.2、将所述目标域样本通过分类器预[0053]3.3、通过选择所述基于分类器[0055]4.1、将所述目标域特定样本[0056]4.2、将每一种所述目标域特定样[0057]uncertainty(x)=pz(x)-ps(x)；[0058]其中，Ps(x)表示分类器对样本x的最高预测概率，pse(x)表示分类器对样本x的第二高预测概率；当uncertainty(x)越小时，样本x的不确定性越高；将每一种标签对中不[0059]4.3、计算所述每一种标签对的不;[0061]其中，MMD2()表示平方最大均值差异，表示标签对P的不确定样本子集，[0062]4.4、计算所述每一种标签对的不确;标注的目标域样本集合，I()表示指示函数；[0075]其中，iutc表示所述未标注目标域样本集合中属于类别c的样本数量，Dut表示所样本集合中属于类别的样本数量相加，再除以目标域的样本总数，得到目标域的类别频[0079]其中，f表示目标域中类别c的频率，表示所述标注的目标域样本集合中的样[0086]步骤8、通过所述用于类平衡自训练的目标域样本集合的交叉熵损失与所述第二[0089]通过下表对比本发明所述基于原型对齐和类平衡训练的高光谱图像主动域适应择的每个类别的180个标记样本和所有的未标记目标域样本进行训练。对于帕维亚跨域数[0090]通过如图2展示为了验证本发明所提算法的有效性所使用的第一个验证数据集，[0091]进一步的，如图3展示了为了验证本发明所提算法的有效性所使用的第二个验证[0092]