一种基于卷积宽度迁移网络的高光谱图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113947725A(43)申请公布日2022.01.18(21)申请号202111244668.7G06N3/04(2006.01)(22)申请日2021.10.26G06N3/08(2006.01)(71)申请人中国矿业大学地址221116江苏省徐州市大学路1号中国矿业大学(72)发明人程玉虎王浩宇王雪松(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人任志艳(51)Int.Cl.G06V20/13(2022.01)G06V10/44(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书3页说明书7页附图1页(54)发明名称一种基于卷积宽度迁移网络的高光谱图像分类方法(57)摘要本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法，首先使用波段选择对原始高光谱图像进行预处理，去除波段冗余；然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息，并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异，并将基于加权条件最大均值差异的正则项加入宽度网络，得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差，同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。CN113947725ACN113947725A权利要求书1/3页1.一种基于卷积宽度迁移网络的高光谱图像分类方法，其特征在于，包括如下步骤：步骤1，使用波段选择对原始高光谱图像进行降维处理，去除波段冗余，得到降维后的高光谱数据X0，高光谱数据X0包括经降维后的源域数据和目标域数据步骤2，构造领域适配层并加入卷积神经网络中，同时对齐源域和目标域边缘概率分布和二阶统计量信息，得到卷积领域适配网络CDAN，使用卷积领域适配网络CDAN对目标域数据进行分类，得到目标域伪标签。2.根据权利要求1所述一种基于卷积宽度迁移网络的高光谱图像分类方法，其特征在于，还包括，步骤3，结合源域标签、目标域伪标签和最大均值差异构建加权条件最大均值差异WCMMD，将基于加权条件最大均值差异WCMMD的领域适配正则项加入到MF映射过程中，得到加权条件宽度学习网络WCBN；步骤4，将经CDAN提取到的特征输入给WCBN，利用WCBN对经CDAN提取到的深度领域不变性特征进行加权条件概率分布对齐，并对领域不变性特征进行特征宽度拓展；步骤5，通过岭回归理论计算出输出权值。3.根据权利要求1或2所述一种基于卷积宽度迁移网络的高光谱图像分类方法，其特征在于，步骤2具体包括如下内容：步骤2.1，构造领域适配层并加入卷积神经网络中，所述领域适配层包括：边缘领域适配项协方差领域适配项其中θ表示网络参数；得到卷积领域适配网络CDAN；卷积领域适配网络CDAN包括依次连接的卷积层、非线性层、池化层、全连接层、领域适配层和分类层；步骤2.2，通过卷积核将输入X0连接到卷积层，依次经过卷积层、非线性层、池化层、全连接层进行特征提取；步骤2.2，将经全连接层特征提取后的特征输入领域适配层；步骤2.3，将领域适配层的输出连接到分类层进行分类，卷积领域适配网络CDAN的损失函数定义为：式中，为源域数据分类损失，α1和α2分别为边缘领域适应参数和协方差领域适应参数；将预训练好的卷积领域适配网络CDAN作为辅助分类器，利用辅助分类器得到目标域伪标签。4.根据权利要求2所述一种基于卷积宽度迁移网络的高光谱图像分类方法，其特征在于，步骤3具体包括如下内容：经卷积领域适配网络CDAN提取到深层领域不变性特征其中，d2表示X的维度；将提取到的特征X作为输入，通过权重Ai映射到特征节点，则第i组映射特征MF为：MZi＝XAi+βei,i＝1,...,d(1)2CN113947725A权利要求书2/3页M式(1)中，Ai和βej分别表示输入X到MF的连接权重和偏差，d为特征节点的组数，GM为每组特征节点维度，Z表示映射特征；式(1)优化为：式中，λ表示正则项系数；将基于加权条件最大均值差异WCMMD的领域适配正则项Dcf(Ps,Pt)加入到MF映射过程中，对源域和目标域条件概率分布进行加权适配：式中，γ代表领域适配正则项系数，c∈{1,2,...,C}为类别索引，领域适配正则项Dcf(Ps,Pt)为：式中，类别重要性权重ωc根据源域标签和目标域伪标签构建；则式(3)可写为：上式可通过交替方向乘子法ADMM求解，得到权重A；进而可以得到所需的权重Ai，则Zi可通过下式得到：Zi＝XAi则MF中源域和目标域的特征可计算