[发明专利]一种适用于小样本高光谱影像分类的深度学习模型

权利要求书

1.一种适用于小样本高光谱影像分类的深度学习模型，其特征在于，包括以下步骤：

S1、输入待分类的高光谱影像，并输入与待分类的高光谱影像对应的样本数据集；

S2、对S1中的样本数据集采用全局双随机采样的策略，生成一组随机的训练样本序列；

S3、将待分类的高光谱影像输入到编码-解码器中，并对高光谱影像的空间大小进行填充，使填充后的高光谱影像的空间尺寸大小满足编码器n次下采样的尺寸要求；并改变填充后的高光谱影像通道数使其满足组正则化的组数要求，n大于等于3；

S4、将满足下采样的尺寸要求的高光谱影像输入到全局卷积长短期记忆模块中，来挖掘长短范围内高光谱影像的光谱依赖特征并生成相应的特征图，特征图中包括高光谱影像的空间特征和光谱特征；

S5、将步骤S4生成的特征图分别输入到空间注意力机制和光谱注意力机制中，来重新加权提取到的空间特征和光谱特征；最后将光谱注意力机制和空间注意力机制生成的特征图进行堆叠，从而共同保留增强后的光谱特征和空间特征；

S6、将步骤S5堆叠后的特征图通过特征迁移模块与解码器生成的特征图进行融合，生成恢复了空间细节的语义特征图；

S7、将步骤S5堆叠后的特征图通过使用卷积核大小为3×3，步长为2的过滤器使其变为空间尺寸缩小一倍的特征图；

S8、循环S4-S7：将经S7生成的特征图执行步骤S4-S6，执行n次，生成n+1个语义特征图，通过解码器将n+1个语义特征图进行融合，经过softmax分类器最终生成高光谱影像分类图；

S9、将S8生成的高光谱影像分类图与步骤S2生成的训练样本序列进行比较并计算损失函数值，根据损失函数值通过后向传播计算不断地更新编码- 解码器中的参数；

S10、重复步骤S3-S9，直到损失函数值降到k且达到收敛为止，得到高光谱影像分类图；对生成的高光谱影像分类图进行裁剪，并输出最终的高光谱影像分类图，k为预设值。

2.根据权利要求1所述的一种适用于小样本高光谱影像分类的深度学习模型，其特征在于，所述步骤S2中，全局双随机采样策略的具体步骤为：

S21、对样本数据集进行第一次采样，将样本数据集划分为训练数据和测试数据，训练数据中每个类别的数量是根据比例进行划分，各类别的训练样本数量为该类别总标记样本量的m％，m为预设占比；

S22、对训练数据进行第二次采样，生成一组随机序列的训练样本，每个批次训练样本中各类别的样本数设置了阈值，使各类别样本数在5～10范围内。

3.根据权利要求1所述的一种适用于小样本高光谱影像分类的深度学习模型，其特征在于，所述步骤S3中，图像填充和组正则化的具体步骤为：

S31、将待分类的高光谱影像宽度和高度增大为2ⁿ的倍数，其中n为下采样次数，并用数值“0”来填充扩张的区域，生成满足下采样的尺寸要求的高光谱影像；

S32、根据组正则化的组数将满足下采样的尺寸要求的高光谱影像的光谱通道数转化为4r的倍数，其中r为整数，取值范围为1≤r≤4。