一种基于限制性原型对比网络的小样本遥感图像分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984621A(43)申请公布日2023.04.18(21)申请号202310029219.3G06N3/08(2023.01)(22)申请日2023.01.09(71)申请人宁波拾烨智能科技有限公司地址315012浙江省宁波市海曙区丽园北路1350弄50号(众创空间园区6号楼23楼)(72)发明人乐舜卿史益挺姚乔羽方永明刘泉涌彭江涛(74)专利代理机构武汉泰山北斗专利代理事务所(特殊普通合伙)42250专利代理师程千慧(51)Int.Cl.G06V10/764(2022.01)G06V20/10(2022.01)G06V10/82(2022.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于限制性原型对比网络的小样本遥感图像分类方法(57)摘要本发明涉及一种基于限制性原型对比网络的小样本遥感图像分类方法，包括以下步骤：1、对原始高光谱遥感数据进行分割、数据增强等预处理；2、在源域和目标域随机选取样本构成对比支持集和查询集；3、设计并构建深度特征提取网络，利用对比支持集的类别原型与和查询集样本之间的距离更新网络参数；4、对类别原型施加三重限制以获得更加准确的原型用于网络的训练；5、微调网络模型并预测所有未标记样本的类别标签。本发明可以在少量标记样本的情况下，实现对高光谱遥感图像的准确分类，其分类效果明显优于一些现有算法。CN115984621ACN115984621A权利要求书1/2页1.一种基于限制性原型对比网络的小样本遥感图像分类方法，其特征在于，包括以下步骤：步骤1、数据预处理，将原始高光谱数据分割成多个像素立方块，每个像素立方块即为一个样本，从源域中每个类别选取A个标记样本用于训练，从目标域中每个类别选取B个标记样本作为训练集，其余作为测试集，并对B个标记样本进行数据增强扩充操作，使得B个变为A个，所述A为B的20倍以上；步骤2、假设目标域包含N个类别，从源域中选取N个类别，并从每一类别中选取两个标记样本，并将每个类别的两个样本分到两个不同的集合得到源域的对比支持集，其中每个对比支持集中均有N个来自不同类别的样本，从剩下的样本中每类选取T个标记样本得到源域的查询集；步骤3、设计并构建深度特征提取网络模型，通过最小化查询集样本与两个对比支持集的类别原型之间的距离Lfsl训练深度特征提取网络模型得到初步训练后的深度特征提取网络模型；步骤4、对模型的类别原型施加三重限制再次对初步训练后的深度特征提取网络模型进行训练，通过最小化对比支持集中两个集合的对比损失Lcl、对比支持集样本与原型的自校准损失Lsc和查询集原型与对比支持集原型的交叉校准损失Lcc进一步训练深度特征提取网络模型，得到第一次训练完毕的深度特征提取网络模型；步骤5、将步骤2中的源域更换为目标域，得到目标域的对比支持集和目标域的查询集，利用目标域的对比支持集和目标域的查询集，采用步骤3和步骤4的方法再次对第一次训练完毕的深度特征提取网络模型进行训练，得到最终深度特征提取网络模型；步骤6、将测试集中的样本输入最终深度特征提取网络模型，得到每个样本的特征，利用KNN聚类进行分类，输出分类后的样本。2.根据权利要求1所述的基于限制性原型对比网络的小样本遥感图像分类方法，其特征在于，所述步骤1中，对目标域样本进行数据增强扩充的方法为：对于目标域中每类B个标记样本进行裁剪和复原的操作，将其扩充成每类A个标记样本。3.根据权利要求1所述的基于限制性原型对比网络的小样本遥感图像分类方法，其特征在于所述步骤3中，查询集样本与对比支持集的类别原型之间的距离Lfsl的计算方法为：假设一个对比支持集记为其中xi为一个样本，yi为xi的类别标签；查询集记为则对比支持集的第c类类别原型计算如下：c其中，fθ(xi)表示xi经过网络提取得到的特征，S表示对比支持集中属于第c类的样本集合，则对比支持集S的类别原型与查询集样本距离计算如下：2CN115984621A权利要求书2/2页其中cj是xj的类别,为fθ(xj)与的欧氏距离。4.根据权利要求1所述的基于限制性原型对比网络的小样本遥感图像分类方法，其特征在于，所述步骤4中，计算对比支持集中两个集合对比损失Lcl的方法为：假设两个对比支持集分别记为S1＝{x1，x3，x5…x2N‑1}和S2＝{x2，x4，x6…x2N}，其中对应位置的样本属于同一类别，即xi和xi+1属于同一类，则fθ(xm)和fθ(xn)的相似度差异Lm，n计算如下其中,E在k≠m时为1，在k＝m时为0，τ为预设系数参数，d(fθ(xm)，fθ(xk))为fθ(xm)，fθ(xn)的欧氏距离，则对比支持集中两个集合对比损失Lcl如下：5.根据权利要求1所述的基于限制性原型对比网络的小样本遥感