高光譜圖像（Hyperspectral Image,HSI）具有豐富的地物空間信息和光譜信息,為地物的精細(xì)分類提供了有利條件.當(dāng)前高光譜遙感圖像分類方法,在標(biāo)記樣本較少的情況下,其分類性能相對(duì)有限.那么,如何充分發(fā)揮小樣本學(xué)習(xí)領(lǐng)域的相關(guān)理論與方法,以提升高光譜遙感圖像分類性能,是一個(gè)意義重要且具有挑戰(zhàn)性的問(wèn)題.為此,本文以標(biāo)記的小樣本為背景,對(duì)現(xiàn)有基于深度學(xué)習(xí)的高光譜遙感圖像分類算法進(jìn)行改進(jìn),其核心思路在于:利用基于深度三維神經(jīng)網(wǎng)絡(luò)的嵌入模型從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)投影函數(shù),進(jìn)而將視覺(jué)特征映射到語(yǔ)義表示,同時(shí)通過(guò)最小化損失函數(shù)使其類內(nèi)間距較小、類間間距較大,再使用訓(xùn)練好的網(wǎng)絡(luò)嵌入模型將每個(gè)未標(biāo)記的目標(biāo)類表示在相同的嵌入空間中,最后,分別選用歐氏距離和卷積神經(jīng)網(wǎng)絡(luò)作為距離度量方式,計(jì)算嵌入空間中嵌入與類原型之間的距離,從而實(shí)現(xiàn)投影后的樣本分類.本文在印第安松、薩利納斯和帕維亞大學(xué)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),其結(jié)果表明改進(jìn)的算法具有較好的高光譜遙感圖像分類性能. 

【文章來(lái)源】：聊城大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,33(06)

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

網(wǎng)絡(luò)模型結(jié)構(gòu)

在小樣本分類任務(wù)中，關(guān)鍵在于使用中間層語(yǔ)義表示來(lái)使得源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)在語(yǔ)義上相關(guān)，而這些語(yǔ)義表示通常編碼在高維向量空間中．常見(jiàn)的語(yǔ)義表示包括語(yǔ)義屬性和語(yǔ)義詞向量．給定一個(gè)預(yù)定義的語(yǔ)義表示，各類均能表示為一個(gè)屬性向量或一個(gè)語(yǔ)義詞向量，即類原型．語(yǔ)義表示通常是通用且共享的，可以用來(lái)在訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集之間傳遞知識(shí)，從而識(shí)別新的、不可見(jiàn)的類．使用嵌入模型從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)投影函數(shù)，投影函數(shù)將視覺(jué)特征映射為語(yǔ)義表示．利用學(xué)習(xí)到的投影函數(shù)將不可見(jiàn)類的未標(biāo)記樣本表示在同一個(gè)嵌入空間．然后通過(guò)計(jì)算嵌入空間中嵌入與類原型的相似度使用分類模型對(duì)每個(gè)投影后的樣本進(jìn)行分類．受此啟發(fā)，基于深度學(xué)習(xí)的HSI小樣本分類算法大致可分為三個(gè)階段．首先，使用基于深度殘差三維卷積神經(jīng)網(wǎng)絡(luò)的嵌入模型從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)到一個(gè)投影函數(shù)，學(xué)習(xí)到的投影函數(shù)能夠?qū)⒁曈X(jué)特征映射到可泛化特征，在訓(xùn)練過(guò)程中通過(guò)最小化損失函數(shù)令投影函數(shù)得到的嵌入特征類內(nèi)間距較小且類間間距較大，且這個(gè)投影函數(shù)將對(duì)訓(xùn)練中沒(méi)有出現(xiàn)的類也執(zhí)行相同的操作．其次，利用預(yù)先訓(xùn)練好的網(wǎng)絡(luò)提取測(cè)試集中每個(gè)樣本的特征．最后，通過(guò)計(jì)算嵌入空間中嵌入與類原型之間的歐氏距離使用最近鄰分類器對(duì)每個(gè)投影后的樣本進(jìn)行分類．之所以算法采用簡(jiǎn)單的最近鄰分類器來(lái)避免搜索額外參數(shù)，是因?yàn)閮H有少數(shù)標(biāo)記樣本可用，而常用的分類器（如SVM）需要使用交叉驗(yàn)證來(lái)確定最優(yōu)參數(shù)．基于深度學(xué)習(xí)的HSI小樣本分類算法結(jié)構(gòu)如圖1所示．

為了使習(xí)得的投影函數(shù)適用于小樣本分類場(chǎng)景，算法使用抽樣小批量（episode）來(lái)模擬小樣本任務(wù)．從訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取一個(gè)類子集形成一個(gè)訓(xùn)練批次來(lái)計(jì)算梯度并更新網(wǎng)絡(luò)參數(shù)．對(duì)于每一訓(xùn)練批次，從每一個(gè)類中隨機(jī)抽取一個(gè)樣本作為支持集以模擬測(cè)試數(shù)據(jù)集上進(jìn)行的小樣本分類任務(wù)，剩余樣本的子集作為查詢集．將支持集和查詢集的樣本輸入到網(wǎng)絡(luò)中，通過(guò)網(wǎng)絡(luò)提取其嵌入特征．對(duì)于查詢集的每一個(gè)樣本，其類分布函數(shù)基于嵌入空間中與支持集樣本的距離由式（1)[28]計(jì)算得到其中ck表示支持集第k類的深層特征，x表示查詢集樣本的嵌入特征，y表示x的類標(biāo)簽，d（·）為歐氏距離函數(shù)．損失函數(shù)如式（2)[28]所示，最小化損失函數(shù)會(huì)使得查詢集樣本的嵌入特征fφ（x）與該樣本對(duì)應(yīng)類k類原型ck之間的距離盡可能小，而與各個(gè)類原型之間的距離盡可能大．


本文編號(hào)：3074954