[发明专利]基于不对称分解卷积网络的高光谱图像小样本分类方法

摘要

本发明涉及一种基于不对称分解卷积网络的高光谱图像小样本分类方法，首先，构建不对称分解三维卷机网络模型，从多个不同传感器采集的预训练高光谱图像数据中提取所有有标注的样本构建混合了多个高光谱图像样本的预训练数据，并利用预训练数据对构建的网络模型进行预训练。之后，将经过预训练的模型迁移到目标高光谱图像数据上来，从目标高光谱图像数据中提取少量有标注的样本作为训练数据，并对迁移后的模型进行微调。最后，利用经过微调的网络模型对整个目标高光谱图像数据集进行分类。与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。

主权项

1.一种基于不对称分解卷积网络的高光谱图像小样本分类方法，其特征在于步骤如下：步骤1：数据预处理按照最大最小归一化方法对预训练高光谱图像数据集和目标图像数据集进行归一化操作；步骤2：划分预训练集提取预训所有高光谱图像数据集中的所有标注样本，生成融合多个高光谱图像数据的混合数据集，从每个类别中选取少量样本，保留作为验证集，其余样本作为预训练集；步骤3：划分训练集提取目标高光谱图像数据集中所有样本，从每类中选取少量样本作为训练集，剩余部分作为测试集；步骤4：构建高光谱图像分类网络模型所述的高光谱图像分类网络模型依次包含两部分：1)特征提取部分，该部分依次包含了一个卷积层，一个分解结构体1，两个分解结构体2，一个分解结构体1；第一个卷积层后边，及前三个分解结构体后边均有一个窗口大小均为3、步长均为2的池化层；卷积层由尺寸为3*3*8的卷积核构成，宽度为32；四个分解结构体的宽度依次是32、64、128、256；2)分类部分，该部分包含一个自适应全局池化层及一个全连接分类层；所述的分解结构体1依次包含一个空间集成模块、光谱集成模块；分解结构体2包含了一个空间集成模块和两个光谱集成模块；空间集成模块包含三条分支通道，第一条通道由一个pointwise卷积层构成，第二条通道由一个pointwise卷积层和一个卷积核尺寸为3*3*1的卷积层构成，第三条通道由一个pointwise卷积层和两个卷积核尺寸为3*3*1的卷积层构成；每个分支通道内，各个卷积层的宽度保持一致；三条分支通道的宽度比例为1:2:1；将空间集成模块中，所有卷积核尺寸为3*3*1的卷积层替换为卷积核尺寸为1*1*3的卷积层即得到光谱集成模块；步骤5：预训练预训练集包含多个不同的高光谱图像数据集，依照样本来源，按数据集将样本分为多组，依次用这些组的样本对构建好的网络模型进行预训练；步骤6：生成迁移模型得到经过多个高光谱图像数据集预训练的模型之后，对模型中的分类部分重新进行随机初始化；其余部分保留预训练得到的结果；得到新的针对目标高光谱图像数据集的迁移模型；步骤7：训练迁移模型将训练数据批量的输入到迁移模型中，以标注的类别为指导信号，利用梯度下降算法对网络参数进行训练，直至网络收敛；在测试数据上评估网络精度；步骤8：生成分类结果基于训练过的模型，对高光谱图像中所有像素进行类别预测，然后将预测的类别放到对应的位置，得到分类结果图。