基于轻量化网络和半监督聚类的高光谱小样本分类方法 .pdfVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN110009015A

(43)申请公布日2019.07.12

(21)申请号CN201910225506.5

(22)申请日2019.03.25

(71)申请人西北工业大学

地址710072陕西省西安市友谊西路127号

(72)发明人李映房蓓张号逵

(74)专利代理机构西北工业大学专利中心

代理人刘新琼

(51)Int.CI

权利要求说明书说明书幅图

(54)发明名称

基于轻量化网络和半监督聚类的高

光谱小样本分类方法

(57)摘要

本发明涉及一种基于轻量化网络和

半监督聚类的高光谱小样本分类方法，通

过使用Point‑wise卷积核，Depth‑wise卷

积核和双loss构建轻量化网络模型，

Point‑wise卷积核和Depth‑wise卷积核能

够极大减少参数数量，降低网络训练过程

中对训练样本的需求；双loss策略可以将

深度特征空间更加可分，更利于在深度特

征空间进行分类和聚类。此外，半监督近

似秩序聚类算法能够选出更多有自信的伪

标签，为网络训练效果的提升提供了更有

利的条件。本发明实现了小样本条件下，

高光谱图像深度特征和标签数据的自主提

取，高精度的分类。

法律状态

法律状态公告日法律状态信息法律状态

权利要求说明书

1.一种基于轻量化网络和半监督聚类的高光谱小样本分类方法,其特征在于步骤如下:

步骤1:数据预处理:对待处理的高光谱图像数据进行最大最小归一化,归一化公式如

下:

其中,x

ijs

表示高光谱图像中的一个像元,i、j分别表示该像元位于高光谱图像中的坐标位置,s

表示高光谱图像的谱段,

为归一化后的一个像元,x

··smax

、x

··smin

分别表示三维高光谱图像在s谱段的最大值和最小值;

步骤2:数据分割:统计待处理的高光谱图像,将数据分为三部分,有标签训练样本X

L

,无标签样本X

u

,测试样本X

T

;

步骤3:构建轻量化网络模型:第一层为3D卷积层,卷积核尺寸为3*3*8,宽度为20,然

后进行BatchNormalization和ReLu操作;第二层为Maxpooling层,卷积核尺寸为

3*3*2,宽度为20;第三层为Point-wise卷积,宽度为80;然后为Depth-wise卷积,卷积

核尺寸为3*3*3,宽度为80;最后为Point-wise卷积,宽度为20;第四层为Point-wise卷

积,宽度为160;然后为Depth-wise卷积,卷积核尺寸为3*3*3,宽度为160;最后为

Point-wise卷积,宽度为40;第五层与第四层设置相同;第六层为三维全局池化层;第七

层为全连接层;

步骤4:预训练网络模型:将有标签训练样本X

L

批量的输入到构建好的轻量化深度网络中,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;训练过程中,每次随机不重复的从训练集里

抽取一些样本为一批训练数据,将该数据输入到网络,抽取特征并计算预测结果,预测

结果与实际结果之间的损失函数为双loss,表示为L

dual

,由softmaxlossL

cls

和centerlossL

dis

组成,公式如下:

L

dual

=L

cls

+λL

dis

(2)

计算网络权值的偏导数,并利用梯度下降算法,更新网络参数;训练过程遍历整个训练

集一次为一轮训练;

步骤5:样本特征提取和分类:将预训练好的轻量化网络模型作为训练样本集的特征

提取器,可以得到训练样本集的深度特征表示表示为X

L,F

,X

u,F

,并且可以得到无标签样本表示为X

u

的初选标签表示为

步骤6:选择最自信样本及其对应的伪标签:在训练样本集的深度特