买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明涉及一种基于孪生光谱注意力一致性的高光谱图像分类方法，包括以下步骤：步骤1、数据生成。对从高光谱图像提取的样本数据χ＝{x1，x2，x3}进行分割操作，分别得到两个空间块大小不同的数据集特征。步骤2、光谱特征细化。对得到的数据集特征送入Dense网络中，将所有高度相关的光谱特征再次细化，获取信息。步骤3、光谱特征增强。通过应用通道注意机制，增强光谱特征，突出关键通道。步骤4、通道一致性正则化。通过对通道一致性假设建模，建立了一种特殊的连接上下分支的纽带。步骤5、将这两个分支的分类损失和信道一致性损失整合到一个统一的网络中，进行端到端训练。将验证集通过训练好的模型，得到最佳训练模型，然后通过测试及得到高光谱图像的分类结果。本发明将光谱注意力一致性模型应用到高光谱图像分类中，并将一致性损失函数应用到高光谱图像的地物分类中，提高了高光图像分类的准确率。

主权项：1.一种基于孪生光谱注意力一致性的高光谱图像分类方法，包括以下步骤：步骤1、数据生成，对从高光谱图像提取的样本数据χ＝{x1,x2,x3}进行分割操作，分别得到两个空间块大小不同的数据集特征；步骤2、光谱特征细化，对得到的数据集特征送入Dense网络中，将所有高度相关的光谱特征再次细化，获取信息；步骤3、光谱特征增强，通过应用通道注意机制，增强光谱特征，突出关键通道；步骤4、通道一致性正则化，通过对通道一致性假设建模，建立了一种特殊的连接上下分支的纽带；步骤5、将这两个分支的分类损失和信道一致性损失整合到一个统一的网络中，进行端到端训练；将验证集通过训练好的模型，得到最佳训练模型，然后通过测试及得到高光谱图像的分类结果；其中，在步骤4和5中，在分类阶段，为了增强隐藏在数据中的非线性内部结构，使用批量归一化和非线性层来增强特征E和然后通过全局平均池化层进行挤压，为每一个通道生成一个通道描述符S∈RC，然后发送到具有softmax激活函数的全连接层，以确定最终的类别，上下两分支的分类损失如下： 其中，Sk和分别表示原始高光谱图像xk上分支和下分支的最终提取特征，yk表示高光谱图像xk的土地覆盖标签，K表示批次样本数量，L表示土地覆盖标签数量，Γ{yk＝l}是指示函数： 高光谱图像分类方法是将高光谱图像立方体识别为中心像素的标签，因此，同一中心像素的不同视图具有相同的土地覆盖标签，所以引入通道一致性正则化提取和判别光谱特征，用于比较光谱特征增强模块中产生的注意力系数D和之间的差异，通道一致性正则化公式为： 其中，·计算Dk和之间的距离，通道一致性正则化通过迫使顶部和底部分支接收与显式的同源通道相关性，使网络能够学习可鉴别的光谱特征处理方式；最终损失函数不仅注意了正确类别的损失，而且还考虑了通道结构一致性的损失，因此，最终的损失函数被定义为：L＝Lt+Lb+λLc其中，λ是一个平衡分类损失和通道一致性正则化的超参数；对于测试，最终的土地覆盖标签是通过平均两个分支的结果来确定的，然而，通道一致性正则化并没有在测试阶段进行。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 基于孪生光谱注意力一致性的高光谱图像分类方法