[发明专利]一种基于交替更新卷积神经网络的高光谱图像分类方法

摘要

本发明提供一种基于交替更新卷积神经网络的高光谱图像分类方法，包括如下步骤：提取原始数据块作为交替更新谱间块的输入；采用交替更新谱间块进行学习，提取精炼过的谱间特征；采用降维层连接交替更新谱间块和交替更新空间块，对谱间特征进行压缩，得到压缩特征；采用交替更新空间块对压缩特征进行学习，提取精炼过的空间特征；将谱间特征和空间特征通过池化层、压缩层和全连接层，得到预测值；确定优化目标函数；采用优化目标函数计算预测值与实际值之间的损失，得到迭代训练的损失；根据迭代训练的损失，对待优化模型参数进行多次优化，得到迭代训练的损失最小时的预测值，而后将未知高光谱数据输入训练完的模型，即得到高光谱图像的分类结果。

主权项

1.一种基于交替更新卷积神经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，在大小为H×W、通道数为L的高光谱图像中以目标像素为中心提取原始数据块，并将该原始数据块作为交替更新卷积神经网络的交替更新谱间块的输入；步骤2，采用交替更新谱间块进行学习，提取高光谱图像中多通道之间的精炼过的谱间特征；步骤3，采用降维层连接所述交替更新谱间块和交替更新空间块，对所述谱间特征进行压缩，得到压缩特征；步骤4，采用所述交替更新空间块对所述压缩特征进行学习，提取所述高光谱图像中空间域上的精炼过的空间特征；步骤5，将精炼过的所述谱间特征和精炼过的所述空间特征通过池化层、压缩层以及全连接层，得到1×1×C的预测标量，该预测标量为预测值，C为待分类的类别数；步骤6，将在交叉熵损失函数的基础上加上中心损失函数和最小平方损失函数后得到的函数作为优化目标函数；步骤7，采用所述优化目标函数计算所述预测值与人为标注的分类结果即实际值之间的损失，得到迭代训练的损失；步骤8，根据迭代训练的损失，对待优化的模型参数通过反向传播的方法进行多次优化，得到迭代训练的损失最小时的预测值，而后将未知高光谱数据输入训练完的模型，即得到高光谱图像的分类结果。