[发明专利]面向高光谱图像分类的数据自适应激活函数学习方法

说明书

本发明公开了一种面向高光谱图像分类的数据自适应激活函数学习方法，用于解决现有高光谱图像分类方法准确率差的技术问题。技术方案是利用高光谱数据的光谱信息和空间信息，旨在学习基于特定数据的激活函数来进行高光谱图像分类。通过对常见的激活函数进行分析，发现激活函数可以用激活映射与输入特征相乘的方式来表示。因此，本发明通过构建一个两层的神经网络来学习激活映射。神经网络从通道和光谱两方面进行学习，分别构建了符合二者特性的激活函数，从而提高了图像分类准确率。经测试，在Indian Pines数据集上，基于通道和光谱的激活函数的分类准确率分别平均提高2.17％和4.03％。

技术领域

本发明涉及一种高光谱图像分类方法，特别是涉及一种面向高光谱图像分类的数据自适应激活函数学习方法。

背景技术

高光谱图像(Hyperspectral Image，HSI)同时包含细致的空间信息和丰富的光谱信息，被广泛用于地形分类、环境检测和地质调查等遥感领域。高光谱图像分类是高光谱图像分析中的一项重要任务，目的是为每个像素分配一个定义过的标签，其可以被简单划分为传统的机器学习方法和深度学习方法。传统的机器学习方法包括支持向量机(Supportvector machine，SVM)、多项式逻辑回归(Multinomial logistic regression，MLR)等，虽然这些方法简单有效，但是浅层结构使它们无法在具有挑战性的情况下学习足够有用的特征。深度学习方法以其强大的特征表达能力在高光谱分类中占据主导地位，其中卷积神经网络被广泛应用。卷积神经网络(Convolutional Neural Network，CNN)通常包括卷积层、池化层和激活函数，其中激活函数的作用是将非线性因素引入到神经网络中，从而能够达到逼近任意非线性模型的目的，以提高分类器性能。

文献“Slavkovikj V,Verstockt S,De Neve W,et al.Hyperspectral imageclassification with convolutional neural networks[C]//Proceedings of the 23rdACM international conference on Multimedia.ACM,2015:1159-1162.”使用卷积神经网络对高光谱数据进行分类。其使用双曲正切函数(Tanh)作为激活函数，尽管得到的随机梯度下降(Stochastic gradient descent,SGD)的收敛速度相对较快，但是由于Tanh是预先定义的函数，由固定的数学公式表达且被应用于所有数据，没有充分考虑到数据本身的特性，从而降低了高光谱图像分类的准确率。如果激活函数能够更好的适应特定的数据集，就可以获得最佳的分类效果。

发明内容

为了克服现有高光谱图像分类方法准确率差的不足，本发明提供一种面向高光谱图像分类的数据自适应激活函数学习方法。该方法利用高光谱数据的光谱信息和空间信息，旨在学习基于特定数据的激活函数来进行高光谱图像分类。通过对常见的激活函数进行分析，发现激活函数可以用激活映射与输入特征相乘的方式来表示。因此，本发明通过构建一个两层的神经网络来学习激活映射。神经网络从通道和光谱两方面进行学习，分别构建了符合二者特性的激活函数，从而提高了图像分类准确率。

本发明解决其技术问题所采用的技术方案是：一种面向高光谱图像分类的数据自适应激活函数学习方法，其特点是包括以下步骤：

步骤一、定义三维高光谱数据为包含r行、c列和b个波段。为了简便，将重排为二维矩阵n＝r×c表示像素数目，并且对于给定的高光谱数据，采用四层卷积神经网络对其进行分类，每一层卷积神经网络中嵌入所提出的激活函数。卷积操作Conv(·)如下：

其中，为卷积操作，表示卷积核，表示需要进行卷积操作的像素点，num为卷积核大小，weight_j为卷积操作的权重，表示卷积后特征图的像素点，b'表示经过卷积操作后像素点的光谱维度。对输入数据进行卷积后，得到卷积层的输出特征m表示卷积核的数目。