[发明专利]一种基于卷积宽度迁移网络的高光谱图像分类方法

权利要求书

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A_i映射到特征节点，则第i组映射特征MF为：

Z_i＝XA_i+β_ei,i＝1,...,d^M (1)

式(1)中，A_i和β_ej分别表示输入X到MF的连接权重和偏差，d^M为特征节点的组数，G^M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D_cf(P_s,P_t)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D_cf(P_s,P_t)为：

式中，类别重要性权重ω_c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A_i，则Z_i可通过下式得到：

Z_i＝XA_i

则MF中源域和目标域的特征可计算为和

经以上步骤得到加权条件宽度学习网络。