CN117011714B 基于偽標簽輔助的高光譜圖像分類方法 （西安電子科技大學）

本發明公開了一種基于偽標簽輔助的高光將其輸入到兩個結構相同的雙分類器中獲取各用源域和目標域特征圖構建類感知最大均值差度神經網絡及雙分類器中，獲得最終的分類結果。本發明有效提高了高光譜圖像分類的準確2(1)從公開高光譜數據集中獲取兩個具有部分類別相同的數據集，將其中一個作為帶(3)將源域數據集SD輸出特征圖fs和',4a)將源域SD樣本的兩個預測概率p',p:和目標域TD樣本的兩個預測概率p',p:輸入(5)根據源域SD樣本特征圖fs及其對應的真實標簽ys和目標域TD樣本特征圖ft構建類f為第j個目標域M=(",其中fis,為第i個源域SD樣本的特征圖，為第i個源7b)從M中逐類別隨機抽取部分特征圖及對應標簽標簽傳播概率Ψ*；7d)根據目標域TD樣本的兩個預測概率p',p;,計算目標樣本的重加權權重r：37e)根據目標樣本的重加權權重r對目標域T7f)根據剪枝后的偽標簽得到其對應的目標域可信樣本并將這兩者組成新的目所述前兩個全連接層的輸入維度和輸出維度均為200，第三個全連接層的輸入維度為4.根據權利要求1所述的方法，其特征在于，步驟4a)得到其中p1表示第一分類器C1輸出參與計算的源域和目標域樣本的預測概率,p2表示第二分類器C2輸出參與計算的源域和目標域樣本的預測概率，y表示參與計算的源域和目標域p1,i表示第一分類器C1輸出的第i個樣本的預測概率，5.根據權利要求1所述的方法，其特征在于44b1)對分類損失函數Lcls進行最小化，即通過反向傳播對F的參數θF、分類器C1的參數4b2)對差異損失函數Ltd先進行最大化,即通過應的真實標簽ys和目標域TD樣本特征圖ft構建類感知最大均值差異損失函數Lc，實現步驟"=k,則否則j(y;,k)=0,Mean(·)表示求均值，"7c)根據源域SD樣本特征圖fs及其對應真實標簽ys和目標域TD樣本特征圖ft及其對應5個源域樣本的特征圖,為第i個源域樣本的真實標簽，為第j個目標域樣本的特征圖,8b)根據余弦相似度矩陣U確定對角線元素為0的標簽傳播概率Ψ*：6更具判別性的深度嵌入空間。其中第一階段利用最大均值差異MMD準則來最小化源域和目章《Cross_DatasetHyperspectralImageClassificationBasedonAdversarial用變分自編碼器構成一個生成器，以對抗的方式驅動目標樣本在源域的支持下進行分類。7然而該方法由于直接使用網絡預測得到的高噪聲率的偽標簽作為輔助來最小化兩個域之[0009](1)從公開高光譜數據集中獲取兩個具有部分類別相同的數據集，將其中一個作[0011](3)將源域數據集SD輸出特征圖fs和目標域TD輸出特征圖ft分別輸入到雙分類器[0012](4)將源域SD樣本的兩個預測概率P",P;和目標域TD樣本的兩個預測概率p',輸入到分類[0013](5)根據源域SD樣本特征圖fs及其對應的真實標簽ys和目標域TD樣本特征圖ft構則(y',k)=1,否則是將源域和目標域進行轉換的嵌入空間的[0016](6)對類感知最大均值差異損失函數Lc進行最小化，以對第一次更新后的深度神M=(",8[0020]7b)從M中逐類別隨機抽取部分特征圖及對應標簽作為源域樣本SD本的標簽傳播概率Ψ*；[0022]7d)根據目標域TD樣本的兩個預測概率pf,p;,計算目標樣本的重加權權重r：[0024]其中p'=(p'+p;)/2;[0028]7f)根據剪枝后的偽標簽得到其對應的目標域可信樣本書,并將這兩者組成新的目標域數據集以替換原有的目標域數據集TD，得到新的目標域數據集TD,；[0029](8)將新的目標域TD,樣本依次輸入到第二次更新后的深度神經網絡F″和雙分類能力及兩個分類器的判別分類能力；同時由于該損失函數不要求網絡最后幾層為全連接[0038]圖6是用本發明與現有的五種分類方法在Houston數據集上進行實驗的分類結果9[0039]圖7是用本發明與現有的五種分類方法在HyRANK數據集上進行實驗的分類結果[0045]第一對數據集為Pavia數據集，其包括PaviaUniversity和PaviaCenter兩個數據集，這兩個數據集共享7個土地覆蓋物類別，將PaviaUniversity數據集作為源域數據[0046]第二對數據集為Houston數據集，其包括Houston2013和Houston2018兩個數據集，這兩個數據集共享7個土地覆蓋物類別，將Houston2013數據集作為源域數據集，色圖、圖4(b)是Dioni數據集的真實標簽、圖4(c)是Loukia數據集的偽彩色圖、圖4(d)是1234567123456Non_residentialbuildi7[0055]本實例所使用樣本均從源域數據集SD和目標域數據集TD中隨機抽取180個樣本，并[0056]用選取的源域標記樣本組成源域集合用選取的目標域樣本組成[0059]從現有的深度神經網絡中選用一種深度神經網絡F，該網絡包括一維卷積神經網[0068]本實例選用但不限于由全連接層組成的兩個同結構的雙分類器C[0074]3.1)將源域數據集SD和目標域數據集TD分別輸入到深度神經網絡F進行特征提[0077](4.1)將源域的兩個預測概率和目標域的兩個預測概率p',p同時輸入到現有的分類損失函數和分類器差異損失函數，得到源域和目標域的分類損失函數Lcls和第二分類器C2輸出參與計算的源域和目標域樣本的預測概率，y表示參與計算的源域和目[0084](4.2.2)對差異損失函[0087](5.1)根據源域SD樣本特征圖fs及其對應的真實標簽ys和目標"為第i個源域樣本的特征圖，對為第i個源域樣本的[0094](5.1.3)根據源域SD樣本特征圖fs及其對應真實標簽ys和目標域TD樣本特征圖ft為第i個源域樣本的特征圖,為第i個源域樣本的真實標簽，為第j個目標域樣本的特[0097](5.2)對上述類感知最大均值差異損失函數Lc進行最小化，即通過反向傳播對F,的參數θF,[0101](6.2)從M中逐類別隨機抽取部分特征圖及對應標簽作為源域樣本SD的投影osTD樣本的標簽傳播概率Ψ*：[0121](6.6)根據剪枝后的偽標簽得到其對應的目標域可信樣本并將這兩者組成[0123]將新的目標域TD′樣本依次輸入到第二次更新后的深度神經網絡F″和雙分類器[0136]實驗1，分別用本發明和五種現有高光譜圖像分類方法DAN、DeepCoral、DSAN、83.2885.1283.2084.4992.3594.2583.0684.6182.5383.3090.4993.04K79.8882.1279.8681.3590.7693.06[0139]從表4中可以看出，與五種現有方法對比，本發明的總體精度OA、平均精度AA和[0140]將圖5中每個視圖與圖2(d)的PaviaCenter真實標簽對比可以看出，本發明更貼[0141]實驗2，分別用本發明和五種現有高光譜圖像分類方法DAN、DeepCoral、DSAN、58.9059.5371.1364.4672.5969.6271.4366.5753.3575.1374.62K43.6344.8342.7451.4759.79[0144]從表5中可以看出，與五種現有方法對比，本發明的總體精度OA、平均精度AA和[0145]將圖6中每個視圖與圖3(d)的Houston2018真實標簽對比可以看出，本發明更貼[0146]實驗3，分別用本發明和五種現有高光譜圖像分類方法DAN、DeepCoral、DSAN、[0149]從表6中可以看出，與五種現有方法對比，本發明的總體精度OA、平均精度AA和[0150]將圖7中每個視圖與圖4(d)的Loukia真實標簽對比可以看出，本發明更貼近真實[0152]DAN，是2015年會議Internationalconferenceonmachinelearning上的文章[0153]DeepCoral，是2016年會議omputerVision–ECCV上的文章《Deepcoral:systems》上的文章《Topol