本发明专利技术公开了一种基于卷积宽度迁移网络的高光谱图像分类方法，首先使用波段选择对原始高光谱图像进行预处理，去除波段冗余；然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息，并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异，并将基于加权条件最大均值差异的正则项加入宽度网络，得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差，同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。督分类。督分类。
【技术实现步骤摘要】
一种基于卷积宽度迁移网络的高光谱图像分类方法
[0001]本专利技术涉及模式识别
，具体涉及一种基于卷积宽度迁移网络的高光谱图像分类方法。
技术介绍
[0002]高光谱图像包含丰富的光谱和空间信息，具有“图谱合一”的特点。这一特点使它被广泛应用于农业、矿物勘探、国防安全等领域。现今高光谱图像分类已成为研究热点，其旨在根据高光谱图像光谱和空间信息推断出图像中每个像素所属的类别。许多算法被提出以提高高光谱图像的分类精度，包括支持向量机、稀疏表示及卷积神经网络等。这些监督学习算法的优良分类性能往往需要大量的标记样本作为支撑。但是，对高光谱数据进行标记需要耗费大量的人力和物力，获得大规模标记数据非常困难。因此，怎样在低标注代价下学习出泛化能力强的分类模型是现今高光谱图像分析领域的研究热点。为解决上述问题，一些机器学习算法被提出，包括主动学习、半监督学习和数据增强等。
[0003]不同于主动降低标记成本的主动学习以及从未标记样本中获取信息的半监督学习，迁移学习能够将知识从相关领域迁移到其他领域，也就是从源域迁移到目标域。当目标域不存在标记样本或标记样本量不足时，迁移学习能够利用源域中相同或相似标签的样本解决目标域的分类问题。
[0004]深度学习具有强大的非线性表示能力，能够提取输入的高级、紧凑特征。而卷积神经网络作为深度学习最为出名的模型，具有强特征提取能力。鉴于上述优势，基于卷积神经网络的迁移学习模型非常具有研究价值。
[0005]最近提出的宽度学习系统是一个仅由三层构成的前向神经网络模型，所述三层包括输入层、中间层、输出层。相较于深度学习，宽度学习能够实现对特征的扩展，且具有结构简单、计算速度快和易于与其他模型相结合等优点。
技术实现思路
[0006]专利技术目的：为了克服现有技术中存在的不足，本专利技术提出一种基于卷积宽度迁移学习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高光谱图像的无监督分类。
[0007]技术方案：本专利技术的一种基于卷积宽度迁移网络的高光谱图像分类方法，包括如下步骤：
[0008]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
[0009]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。
[0010]进一步的，本专利技术的一种基于卷积宽度迁移网络的高光谱图像分类方法，还包括，
[0011]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；
[0012]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；
[0013]步骤5，通过岭回归理论计算出输出权值。
[0014]进一步的，步骤2具体包括如下内容：
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]步骤2.3，将领域适配层的输出连接到分类层进行分类，
[0020]卷积领域适配网络CDAN的损失函数定义为：
[0021][0022]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；
[0023]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。
[0024]进一步的，步骤3具体包括如下内容：
[0025]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；
[0026]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：
[0027]Z
i
＝XA
i
+β
ei
，i＝1，...，d
M
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]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；
[0029]式(1)优化为：
[0030][0031]式中，λ表示正则项系数；
[0032]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：
[0033][0034]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：
[0035][0036]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；
[0037][0038]则式(3)可写为：
[0039][0040]上式可通过交替方向乘子法ADMM求解，得到权重A；
[0041]进而可以得到所需的权重A
i
，则Z
i
可通过下式得到：
[0042]Z
i
＝XA
i
[0043]则MF中源域和目标域的特征可计算为和
[0044]经以上步骤得到加权条件宽度学习网络。
[0045]进一步的，步骤4具体包括如下内容：
[0046]将MF的特征通过随机权重W
E
映射到增量节点EN实现领域不变性特征的特征宽度扩展：
[0047]H＝σ(ZW
E
)
[0048]式中，σ(.)为tansig函数，为EN特征，d
E
表示EN节点数；
[0049]EN中源域和目标域特征可表达为：H
s
＝σ(Z
s
W
E
)和H
t
＝σ(Z
t
W
E
)；Z
s
和H
s
是MF和EN本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：程玉虎，王浩宇，王雪松，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。