[发明专利]基于伪标签学习的小样本高光谱图像分类方法

权利要求书

1.一种基于伪标签学习的小样本高光谱图像分类方法，其步骤如下：

步骤1：以高光谱像素点为中心对其周围像素进行采样，生成高光谱数据样本，并以带标签的样本构成小样本数据集T＝{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，其中，表示第i个标记样本，w为采样窗口的大小，w取值为3、5或7，d为高光谱图像的波段数，为第i个标记样本的标签，标签y_i采用独热编码的形式，为L维向量，L为类别数，i＝1，2，...，n，n为标记样本数量；以无标签样本构成测试数据集U＝{z₁，z₂，…，z_m}，其中，表示第j个未标记样本，j＝1，2，...，m，m为未标记样本的数量；所述的标记样本数量n的取值为L、3*L、5*L，所述的未标记样本数量m的取值为样本总数与标记样本数量之差；

步骤2：以第l类的第k个标记样本h_lk作为第l类的第k个代理agent_lk，l＝1，2，…，L，k＝1，2，…，l_n，l_n表示第l类标记样本的数量；分别计算第p个未标记样本z_p与所有代理间的距离，p＝1，2，...，m，并选择每一类中距离其最近的代理作为未标记样本z_p在这一类中的参考代理，得到未标记样本z_p的参考代理序列其中，表示未标记样本z_p在第l类中的参考代理；然后，按照计算得到未标记样本z_p的软-伪标签向量中的第l个元素值，从而得到未标记样本z_p的软-伪标签向量其中，表示参考代理与未标记样本z_p之间的距离，softmax(·)为归一化指数函数；以测试数据集中所有未标记样本和其软-伪标签共同构成辅助数据集

步骤3：构造二分支深度神经网络，包括一个特征提取器和两个分类器，两个分类器分别为小样本分类器和辅助样本分类器，特征提取器和小样本分类器构成网络的小样本分类分支，特征提取器和辅助样本分类器构成网络的辅助样本分类分支；所述的特征提取器为任意卷积神经网络，分类器仅为一层或若干层全连接层；

将小样本数据集输入到小样本分类分支，将辅助数据集输入到辅助样本分类分支，分别经特征提取器提取得到其判别特征，再经过不同的分类器分别得到其类别预测标签；设定小样本数据集分类器和辅助数据集分类器的损失函数均为交叉熵函数，采用随机梯度下降方法和Adam优化器对网络进行优化训练，得到训练好的网络；

步骤4：将测试数据集输入到步骤3得到的训练好的网络中的小样本分类分支，得到分类结果。