基于语义保留的对抗混合半监督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CN113807438A(43)申请公布日2021.12.17(21)申请号202111093418.8(22)申请日2021.09.17(71)申请人中国石油大学（华东）地址266580山东省东营市北二路271号(72)发明人王雷全朱同川赵欣李忠伟吴春雷周家梁(74)专利代理机构北京天奇智新知识产权代理有限公司11340代理人陆军(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于语义保留的对抗混合半监督高光谱图像分类方法(57)摘要本发明涉及一种基于语义保留的对抗混合半监督高光谱图像分类方法，所述方法在训练阶段包括以下步骤：步骤1、通过特征提取网络对有标签样本进行特征提取；步骤2、通过所述特征提取网络对从样本集中随机抽取的两个无标签样本进行特征提取，将所提取的两个无标签样本的特征混合后送入重构网络；步骤3、通过所述重构网络重构样本，将重构的样本送入对抗语义还原网络；步骤4、通过联合损失函数来优化特征提取网络、重构网络和对抗语义还原网络的参数。所述方法在测试阶段包括以下步骤：步骤5、将需要分类的高光谱图像的无标签样本送入所述特征提取网络，提取特征之后通过分类函数得到作为分类结果的标签。CN113807438ACN113807438A权利要求书1/2页1.一种基于语义保留的对抗混合半监督高光谱图像分类方法，其中，在训练阶段使用高光谱图像样本集，所述样本集包括有标签样本XL和无标签样本XU，所述方法在训练阶段包括以下步骤：步骤1、通过特征提取网络fθ()对有标签样本进行特征提取，并使用损失函数来优化参数θ；步骤2、通过所述特征提取网络fθ()对从样本集中随机抽取的两个无标签样本进行特征提取，将所提取的两个无标签样本的特征混合后，送入重构网络步骤3、通过所述重构网络重构样本，将重构的样本送入对抗语义还原网络dη()；步骤4、通过所述特征提取网络fθ()、所述重构网络和所述对抗语义还原网络dη()的联合损失函数来联合优化参数θ、和η，其中，步骤1和步骤2中的所述特征提取网络fθ()的参数θ是共享的，所述特征提取网络fθ()和所述对抗语义还原网络dη()是卷积神经网络，所述重构网络是反卷积神经网络，所述方法在测试阶段包括以下步骤：步骤5、将需要分类的高光谱图像的无标签样本送入所述特征提取网络fθ()，提取特征之后通过分类函数得到作为分类结果的标签。2.根据权利要求1所述的方法，其中，有标签样本XL和无标签样本XU为高光谱图像经分割后的w×w大小的图像块，所述有标签样本表示为所述无标签样本表示为其中，为有标签样本的样本数据，yi是的对应标签，Nl为有标签样本的数量，为无标签样本的样本数据，其数量为HW‑Nl，其中，H和W分别为高光谱图像的高度和宽度方向的样本数目，B为高光谱图像的谱带数目，其中，在步骤2中，所述特征提取网络fθ()对两个无标签样本进行特征提取后分别得到其对应的特征其中，为两个无标签样本的样本数据，在步骤3中，通过重构网络得到重构的样本其中，α为混合系数，α∈[0,1]。3.根据权利要求2所述的方法，其中，在步骤4中，通过对抗语义还原网络dη()得到还原后的混合系数4.根据权利要求1所述的方法，其中，在步骤1之前，对所述高光谱图像数据进行数据清洗和数据归一化，其中，数据归一化用于将所述高光谱图像数据统一映射至[0，1]区间，并利用曲线性方法使所述高光谱图像数据符合正态分布。5.根据权利要求1所述的方法，其中所述特征提取网络fθ()是Wide‑ResNet网络，对从高光谱图像提取的有标签的样本数据进行特征提取，其中利用交叉熵损失函数对Wide‑ResNet特征提取网络进行训练。2CN113807438A权利要求书2/2页6.根据权利要求5所述的方法，其中，所述交叉熵损失函数定义如下：l其中，E表示数学期望，x是有标签样本XL的样本数据，y是其标签，p()为模型输出分布。7.根据权利要求6所述的方法，所述对抗语义还原网络dη()的损失函数定义如下：8.根据权利要求5至7中的任一个所述的方法，步骤4中，所述联合损失函数定义如下：其中，λ是标量超参数。9.根据权利要求1至7中的任一个所述的方法，其中，利用随机梯度下降法来优化参数θ、和η。10.根据权利要求8所述的方法，其中，利用随机梯度下降法来优化参数θ、和η。3CN113807438A说明书1/5页基于语义保留的对抗混合半监督高光谱图像分类方法技术领域[0001]本发明涉及图像处理技术领域，具体涉及机器学习和高光谱图像分类技术领域，更具体地，涉及一种基于语义保留的对抗混合半监督的高光