公开/公告号CN116645552A
专利类型发明专利
公开/公告日2023-08-25
原文格式PDF
申请/专利权人 成都信息工程大学;
申请/专利号CN202310589053.0
申请日2023-05-23
分类号G06V10/764(2022.01);G06V10/82(2022.01);G06V20/10(2022.01);G06V10/75(2022.01);G06N3/042(2023.01);G06N3/094(2023.01);
代理机构北京正华智诚专利代理事务所(普通合伙) 11870;
代理人李林合
地址 610225 四川省成都市西南航空港经济开发区学府路1段24号
入库时间 2024-01-17 01:24:51
法律状态公告日
法律状态信息
法律状态
2023-09-12
实质审查的生效 IPC(主分类):G06V10/764 专利申请号:2023105890530 申请日:20230523
实质审查的生效
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于图胶囊神经网络的高光谱湿地图像分类方法。
背景技术
高光谱遥感图像是由高光谱成像光谱仪获取包含地物特征信息的几十数百个连续的光谱波段堆叠而成。高光谱遥感图像不仅包含丰富的光谱信息,还具有良好的空间特性,具有图谱合一的特性,为地物分类提供了良好的数据基础。高光谱图像分类技术是指根据高光谱图像数据中不同地物具有不同的光谱信息,对其中每个像元所代表的地物进行类别属性的确定和标注,已应用于农业管理、环境监测、地质勘探、军事侦察等领域。
由于高光谱图像存在易受云雨遮挡、物种的复杂性、数据种类缺失/不足/不均衡、数据/标签分布差异等问题的影响,现有的高光谱图像分类算法无法满足湿地智能监测与精确分类的应用需求。同时,考虑到湿地生态系统环境复杂、现场探测难度大,植被类型丰富、分布差异和缺乏明显边界、易受气候/季节影响等特点,如何在样本受限、场景复杂等情况下实现高光谱湿地图像精细分类是一个迫切需要解决的问题。另外,现有的湿地精细分类算法大多采用传统机器学习的方法,其对未知区域/复杂场景的泛化能力较差,无法应用于大场景、大数据下的实际情景。因此,探究准确性高、鲁棒性强、复杂度低的高光谱湿地图像精细分类框架仍然是目前湿地保护中一个研究热点。
发明内容
针对现有技术的上述不足,本发明提供了一种基于图胶囊神经网络的高光谱湿地图像分类方法,用于解决传统分类方法无法有效处理湿地生态系统中存在的场景复杂、探测困难等问题。
为达到上述发明目的,本发明所采用的技术方案为:
提供一种基于图胶囊神经网络的高光谱湿地图像分类方法,其包括以下步骤:
S1:生成对抗域自适应框架进行学习特征变换,使高光谱湿地图像的源域样本与目标域样本进行特征匹配;
S2:构造图胶囊神经域自适应网络结构,提取域不变特征和域相关特征,发现可迁移特征并跨域共享;
S3:设计耦合结构两分类器,利用源域样本训练两分类器,最大化目标域样本的分类差异,通过识别分类边界实现高光谱湿地图像的精准分类。
进一步地,步骤S1包括:
S11:从源域高光谱场景中选取N个类别的湿地图像,每类湿地图像中取K个湿地图像样本,从目标域场景中选取H个有标签的湿地图像样本;
S12:从生成域自适应角度,结合目标域期望误差理论,构建生成对抗域自适应框架;
S13:建立域分类器,挖掘源域样本与目标域样本之间的差异,使源域样本与目标域样本进行特征匹配;
S14:在源域构建两个不同的分类器(F
其中,X
进一步地,生成对抗域自适应框架的目标函数为:
其中,R
进一步地,域分类器的目标函数为:
其中,I(·)为指示函数,h(x)为源域的域分类器输出,h′(x)为目标域的域分类器输出,E为求期望运算;
进一步地,步骤S2包括:
S21:建立图胶囊神经域自适应网络,将源域样本和目标域样本映射至同一特征空间,得到邻接矩阵
A
其中,M=M
S22:将全连接图结构输入到深度层次图神经网络中学习湿地图像样本的相同类别内和不同类别间的层次结构;
S23:联合学习源域和目标域湿地图像节点间的分层关系,减小不同域湿地图像样本间的差异,提取域不变特征和域相关特征,发现可迁移特征并跨域共享。
进一步地,步骤S23包括:
自底向上推理阶段:
S231:构建自底向上推理模块,通过对相同类别内和不同类别间的源域样本节点下进行采样,保留目标域样本节点,同时分层采样源域样本节点;自底向上推理模块的目标函数为:
其中,X
S232:根据采样后湿地图像样本节点构建新的全连接图,得到当前自底向上推理模块的邻接矩阵;
S233:重复步骤S231-S232,堆叠多个自底向上推理模块,提取源域和目标域的湿地图像多级特征表示和深层图关系;
自顶向下推理阶段:
S234:结合每层自底向上推理模块中湿地图像样本节点的位置信息,构建自顶向下推理模块,通过对新的图节点进行采样,逐层相同类别内和不同类别间层次图结构,挖掘源域或目标域湿地图像样相同类别内和不同类别间节点的层次关系,自顶向下推理模块的目标函数为:
H
其中,H
S235:利用源域和目标域的湿地图像样本间的相关性,减小不同域湿地图像样本间的差异,提取域不变特征和域相关特征,发现可迁移特征并跨域共享。
进一步地,步骤S3包括:
S31:固定两分类器(F
其中,
S32:固定生成器SSF,训练两分类器(F
S33:得到最优的分类器和生成器,通过对抗训练策略,实现目标域下高光谱湿地图像的精细分类。
本发明的有益效果为:本发明将以图胶囊神经网络的跨域数据表征为核心,针对湿地生态系统存在环境复杂、现场探测难度大,植被类型丰富、分布差异和缺乏明显边界、易受气候/季节等问题,从生成对抗域自适应角度出发,提出高光谱图像空间与光谱特征联合学习方法,以充分挖掘源域和目标域数据间的相关性(传感器相同、地表材质相似、场景相同等),同时发现可迁移知识并实现跨域共享,增强了类边界的有效判别,最终实现了在未知区域、复杂场景以及数据种类缺失、不足、不均衡条件下的高光谱湿地图像精准分类。
附图说明
图1为基于图胶囊神经网络的高光谱湿地图像分类方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本方案的基于图胶囊神经网络的高光谱湿地图像分类方法包括以下步骤:
S1:生成对抗域自适应框架进行学习特征变换,使高光谱湿地图像的源域样本与目标域样本进行特征匹配;
步骤S1包括:
S11:从源域高光谱场景中选取N个类别的湿地图像,每类湿地图像中取K个湿地图像样本,作为源域样本;从目标域场景中选取H个有标签的湿地图像作为目标域样本;
S12:从生成域自适应角度,结合目标域期望误差理论,构建生成对抗域自适应框架;生成对抗域自适应框架的目标函数为:
其中,R
S13:建立域分类器,挖掘源域样本与目标域样本之间的差异,使源域样本与目标域样本进行特征匹配;域分类器的目标函数为:
其中,I(·)为指示函数,h(x)为源域的域分类器输出,h′(x)为目标域的域分类器输出,E为求期望运算;
S14:考虑到生成对抗网络的关键因素在于如何构建生成器并训练判别器,为了保持源域的判别信息,在源域构建两个不同的分类器(F
其中,X
S2:构造图胶囊神经域自适应网络结构,提取域不变特征和域相关特征,发现可迁移特征并跨域共享;
步骤S2包括:
S21:建立图胶囊神经域自适应网络,将源域样本和目标域样本映射至同一特征空间,得到邻接矩阵
A
其中,M=M
S22:将全连接图结构输入到深度层次图神经网络中学习湿地图像样本的相同类别内和不同类别间的层次结构;
S23:联合学习源域和目标域湿地图像节点间的分层关系,减小不同域湿地图像样本间的差异,提取域不变特征和域相关特征,发现可迁移特征并跨域共享。步骤S23包括:
自底向上推理阶段:
S231:构建自底向上推理模块,通过对相同类别内和不同类别间的源域样本节点下进行采样,保留目标域样本节点,同时分层采样源域样本节点;自底向上推理模块的目标函数为:
其中,X
S232:根据采样后湿地图像样本节点构建新的全连接图,得到当前自底向上推理模块的邻接矩阵;
S233:重复步骤S231-S232,堆叠多个自底向上推理模块,提取源域和目标域的湿地图像多级特征表示和深层图关系;
自顶向下推理阶段:
S234:结合每层自底向上推理模块中湿地图像样本节点的位置信息,构建自顶向下推理模块,通过对新的图节点进行采样,逐层相同类别内和不同类别间层次图结构,挖掘源域或目标域湿地图像样相同类别内和不同类别间节点的层次关系,自顶向下推理模块的目标函数为:
H
其中,H
S235:利用源域和目标域的湿地图像样本间的相关性,减小不同域湿地图像样本间的差异,提取域不变特征和域相关特征,发现可迁移特征并跨域共享。
S3:设计耦合结构两分类器,利用源域样本训练两分类器,最大化目标域样本的分类差异,通过识别分类边界实现高光谱湿地图像的精准分类。
步骤S3包括:
S31:固定两分类器(F
其中,
S32:固定生成器SSF,训练两分类器(F
S33:得到最优的分类器和生成器,通过对抗训练策略,实现目标域下高光谱湿地图像的精细分类。
本发明将以图胶囊神经网络的跨域数据表征为核心,针对湿地生态系统存在环境复杂、现场探测难度大,植被类型丰富、分布差异和缺乏明显边界、易受气候/季节等问题,从生成对抗域自适应角度出发,提出高光谱图像空间与光谱特征联合学习方法,以充分挖掘源域和目标域数据间的相关性(传感器相同、地表材质相似、场景相同等),同时发现可迁移知识并实现跨域共享,增强了类边界的有效判别,最终实现了在未知区域、复杂场景以及数据种类缺失、不足、不均衡条件下的高光谱湿地图像精准分类。
机译: 基于自关注上下文网络的高光谱遥感图像分类方法
机译: 基于Gabor立方体特征选择的高光谱遥感图像分类方法及系统
机译: 基于GABOR CUBE特征选择的高光谱遥感图像分类方法和系统