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：哈尔滨理工大学

摘要：本发明公开了一种面向类别不对称跨域光谱图像的地物分类方法，属于光谱图像地物分类技术领域，本发明方法通过两个阶段的网络训练，实现了不同领域特征的有效对齐。第一阶段，预训练一个神经网络，并构建类别内聚损失函数与预测损失函数，旨在提取源域的类间关系，随后计算源域的类别中心，为后续步骤提供基础。第二阶段，训练一个主神经网络，针对源域和目标域共同拥有的对称类别，构建样本对齐损失函数与类别对齐损失函数，以确保两域之间的样本分布和类别中心相互对齐；针对源域存在而目标域缺失的不对称类别，通过构建特征对齐损失函数，使主神经网络提取的特征与预训练神经网络提取的特征相互对齐。最后将目标域测试集送入训练好的主神经网络中，从而获得目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。

主权项：1.面向类别不对称跨域光谱图像的地物分类方法，其特征在于，所述方法包括步骤：S110.将光谱图像数据集分成源域数据集和目标域数据集,其中目标域数据集划分为训练集和测试集；S120.预训练一个神经网络，构建类别内聚损失函数与预测损失函数，通过最小化上述两个损失函数来更新预训练神经网络的参数；S130.利用S120中的预训练神经网络计算源域的类别中心；S140.训练一个主神经网络，针对源域和目标域共同拥有的对称类别，构建样本对齐损失函数和类别对齐损失函数，通过最小化上述两个损失函数来更新主神经网络的参数；S150.针对源域拥有而目标域缺失的不对称类别，利用S120中的预训练神经网络与S140中的主神经网络分别对源域所有类别进行特征提取，并构建特征损失函数，通过最小化特征损失函数来更新S140中主神经网络的参数；S160.将包含全部类别的目标域测试集送入S140中的主神经网络，最终获得目标域数据集的分类标签；所述S110中，将光谱图像数据集分成源域数据集和目标域数据集，源域数据为某一地域位置采集的有地物类别标签的光谱数据样本，目标域数据为另一不同地域位置采集的没有地物类别标签的待分类光谱数据样本，为了更真实地模拟实际应用中因地物覆盖或标记错误导致的类别数据缺失场景，进一步将目标域数据集划分为训练集和测试集，其中训练集设置为地物类别不完整，由此模拟目标域训练集与源域数据集类别不对称的情况，而测试集包含了完整的地物类别，用于评估经过训练后的网络模型在分类任务上的准确率；所述S120中，预训练一个神经网络，定义类别内聚损失函数与预测损失函数，所述类别内聚损失函数的表达式如下： 其中，和分别为源域中第i个输入样本以及其对应的标签，为预训练神经网络的参数,Ddis为欧几里得距离，表示预训练神经网络对输入样本的预测输出，C表示源域数据总的类别数量，Λa,b表示如果a等于b输出为1，否则输出为0；定义预测损失函数的表达式如下： 通过合并类别内聚损失函数和预测损失函数，第一阶段总的损失函数可以表示为： 所述S130中，利用预训练神经网络计算源域类别中心，所述源域类别中心CenS可以表示为： 其中，ns表示源域数据的样本数量；所述S140中，针对网络训练阶段中源域和目标域共同拥有的平衡类别，分别构建样本对齐损失函数与类别对齐损失函数，所述样本对齐损失函数的表达式如下： 其中，为主神经网络的参数，Cbal表示源域和目标域之间平衡的类别数量，nt表示目标域数据的样本数量；所述类别对齐损失函数的表达式如下： 其中，Dcosa,b表示a，b之间的余弦相似度，CenT为目标域的类别中心，可以表示为： 所述S150中，针对网络训练阶段中源域拥有而目标域缺失的不平衡类别，首先使用S120的预训练神经网络对源域中的所有类别进行特征提取，随后用S140训练的主神经网络再次对这些类别进行特征提取，并构建特征对齐损失函数，所述特征对齐损失函数的表达式如下： 通过合并样本对齐损失函数、类别对齐损失函数以特征对齐损失函数，可以得到第二阶段总的损失函数： 其中，λ是特征对齐损失的超参数；所述S160中，将包含全部类别的目标域测试集送入S140中训练好的主神经网络，最终获得目标域数据集的分类标签。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 面向类别不对称跨域光谱图像的地物分类方法