[发明专利]用于高光谱图像分类的形状自适应卷积深度神经网络方法

摘要

本发明公开了一种用于高光谱图像分类的形状自适应卷积深度神经网络方法，该方法包括：采取空间结构信息学习支路；采取基于导向图的形状自适应卷积核且可训练；由光谱维一维卷积层与空间维二维卷积层构成空‑谱特征提取单元，每个单元拥有两个输入，分别为特征图和导向图；深度网络由多个空‑谱特征提取单元堆叠而成，且每两个特征提取单元间建立跳层连接；网络损失函数为加权交叉熵。本发明通过学习空‑谱数据中相邻像元间的空间相关性，能够根据显式定义像元间的空间结构关系自适应调整卷积运算的接受域形状，克服了固定方形卷积不能捕获各向异性特征的缺陷，对不同分辨率不同场景复杂度的高光谱图像均具有优良的分类及泛化性能。

主权项

1.一种用于高光谱图像分类的形状自适应卷积深度神经网络方法，其特征在于，包括以下步骤：/n第一步，使用一条卷积神经网络支路学习高光谱图像的空间结构信息，并存储于导向图；/n第二步，构建形状自适应卷积，配合导向图提取各向异性的空-谱特征；/n第三步，由光谱维一维卷积层与空间维二维形状自适应卷积层构成空-谱特征提取单元，先后执行光谱维一维卷积与空间维二维形状自适应卷积；每个特征提取单元有两个输入，分别为特征图和导向图；/n第四步，深度网络由多个空-谱特征提取单元堆叠而成，且每两个特征提取单元间建立跳层连接，即使用多个特征提取单元层层堆叠构成深度网络，每个单元的输入为前面所有单元的输出拼接而成；/n第五步，构建加权交叉熵损失函数。/n