[发明专利]一种基于双分类器对抗增强网络的高光谱图像分类方法

说明书

本发明公开了一种基于双分类器对抗增强网络的高光谱图像分类方法，首先将原始HSI的源域和目标域数据进行向量化并输入BCAAN进行训练，使用源域数据预训练整个网络；然后固定特征生成器，使用目标域数据训练两分类器，使其差异最大；然后固定两分类器，使用目标域数据优化特征生成器，使两分类器差异最小；使用预训练的网络获取目标域数据的伪标签，每个样本对应两个伪标签；把两伪标签相同且输出概率皆大于区分阈值的目标域数据选为可靠样本。使用随机置零的方式对可靠样本进行数据增强，后将可靠的目标域和增强后的数据添加到源域数据中。最后，训练一个epoch后重新采样，基于分类器差异在对抗的过程中对齐源域和目标域，直到模型收敛。

技术领域

本发明涉及模式识别技术领域，主要涉及一种基于双分类器对抗增强网络的高光谱图像分类方法。

背景技术

随着遥感技术的不断发展，越来越多的高光谱图像被研究者更加容易的获取。然而面对海量的高光谱图像，有效地标定样本往往需要相关专家耗费大量精力。高光谱图像分类作为遥感领域关键问题之一，受到广大研究人员的关注且被成功应用于城市规划、矿产鉴定和农业生产等多个领域。大量机器学习算法被成功应用于高光谱图像分类，例如支持向量机、稀疏表示及随机森林等。相较于深度学习算法，以上传统机器学习算法的分类精度较低。深度学习算法因其强大的特征表达能力，被大量应用于高光谱图像分类。

然而基于深度学习的高光谱分类方法的强分类能力往往需要大量标记样本作为支撑。现有技术中提出了很多方法，用于解决上述问题，大致分为主动学习方法、数据增强方法和领域适应方法。主动学习方法可通过从未标记样本中主动选择信息量最大的样本进行人工标注来增加训练样本量，以此扩充深度网络的训练集。以上方法仅能解决同场景的高光谱图像分类问题。在真实的高光谱图像分类应用中，不使用场景内标记样本学习出泛化能力强的分类模型是一个挑战。跨场景分类是仅利用相似场景内的标记样本完成对不同场景样本的分类。跨场景分类问题多是基于领域适应方法，领域适应作为迁移学习的一种特殊形式，能够将某个领域(源域)上学习到的知识应用于不同但相关的领域(目标域)，从而使模型在目标域分类任务上取得较高精度。

将领域适应技术和深度学习相结合而提出的深度领域适应网络，仅利用源域少量标记样本完成跨场景高光谱图像分类。

发明内容

发明目的：针对上述背景技术中存在的问题，本发明提供了一种基于双分类器对抗增强网络的高光谱图像分类方法，能够仅利用源域标记样本完成对目标域无标签样本的分类。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于双分类器对抗增强网络的高光谱图像分类方法，包括以下步骤：

步骤S1、将原始高光谱图像HSI的源域数据和目标域数据进行向量化处理后输入至双分类器对抗增强网络BCAAN进行训练，使用源域数据预训练整个网络；

步骤S2、固定特征生成器G_f，使用目标域数据训练两分类器C₁和C₂，使两分类器的差异最大；然后固定两分类器C₁和C₂，使用目标域数据优化特征生成器G_f，使两分类器差异最小；

步骤S3、使用预训练的网络获取目标域数据的伪标签，其中每个样本对应两个伪标签；把两个伪标签相同且输出概率大于区分阈值的目标域数据选为可靠样本；

步骤S4、使用光谱波段随机置零的方式对可靠样本进行数据增强后，将可靠的目标域和增强后的样本集添加到源域数据中；

步骤S5、训练一个epoch后，重新采样，基于分类器差异在对抗的过程中对齐源域和目标域，直至模型收敛；最后使用收敛的模型对目标域样本进行分类，得到分类结果。

进一步地，步骤S2中具体训练及优化方法包括：