[发明专利]基于多图卷积网络的开集域适应遥感图像小样本分类方法

权利要求书

1.一种基于多图卷积网络的开集域适应遥感图像小样本分类方法，其包括如下步骤：

S100：从任务数据集和辅助数据集中分别读取M个样本，来自任务数据集的M个样本中，有N个类别，每个类别有K个标记样本，其余为未标记样本，来自辅助数据集的样本均为标记样本；其中，任务数据集和辅助数据集均为遥感图像的数据集；

S200：利用特征提取网络Conv4提取所有样本的特征；

S300：根据提取的特征，利用K近邻和径向基函数的方法建模图像之间的相似关系，计算得到邻接矩阵A；

S400：利用得到的邻接矩阵A和多图卷积运算更新样本特征；

S500：利用更新后的特征，得到每一类的原型中心，并计算未标记样本到每一类原型中心的距离，预测出任务数据集未标记样本的标签；

S600：根据预测的样本标签，选出任务数据集与辅助数据集类别相同的样本特征，计算得到基于方差加权的域损失函数，反向传播对网络进行训练；

S700：利用训练好的网络对任务数据集的未标记样本进行分类，得到分类结果。

2.根据权利要求1所述的方法，其中，优选的，所述步骤S200中进一步包括如下步骤：

S201：将输入图像x_i的大小统一调整为80×80像素点的RGB图像；

S202：经过Conv4得到5×5×64大小的特征图；

S203：将所述特征图拼接为1600维的特征向量，作为输入图像X_i的初始特征h_i。

3.根据权利要求1所述的方法，其中，所述步骤S400中进一步包括如下步骤：使用若干个不同阶次的邻接矩阵进行线性组合来获得最终图卷积使用的邻接矩阵。

4.根据权利要求1所述的方法，其中，所述步骤S500中进一步包括如下步骤：

S501：使用每一类标记样本的特征向量计算每个类的原型中心c_k；

S502：使用欧氏距离计算未标记样本第k类的原型中心在特征空间距离；

S503：使用分类概率函数softmax计算出样本属于某一类的概率，分类概率函数softmax的表达式为：

其中，h_i指样本特征，p(y_i＝k|h_i)指该样本属于第k类的概率。

5.根据权利要求1所述的方法，其中，所述步骤S600进一步包括如下步骤：

S601：选出任务数据集中预测概率大于某个门限的样本特征，把预测结果作为样本的伪标签，计算出每个类别的类内方差和最近邻类间距的比值α_c；

S602：利用α_c和任务数据集和辅助数据集的特征计算得到域损失函数，分类损失函数，通过最小化损失函数来训练整个模型。

6.根据权利要求1所述的方法，其中，该方法所基于的模型包括如下三部分：(1)特征提取网络，用来提取图像的特征；(2)多图卷积网络，用来建模图像特征之间的相似关系，通过图上的卷积运算更新样本特征；(3)度量预测模块，根据标记样本与未标记样本在特征空间的度量距离，实现对未标记样本的预测。

7.根据权利要求6所述的方法，其中，在上述模型的训练过程中引入基于方差加权的域适应方法。

8.根据权利要求7所述的方法，其中，上述模型的训练分为两个阶段：第一阶段是多图卷积网络的预训练，第二阶段是域适应阶段。

9.根据权利要求8所述的方法，其中，所述第一阶段使用辅助数据集对多图卷积网络MGCN进行预训练，得到多图卷积网络MGCN的初始参数。

10.根据权利要求8所述的方法，其中，所述第二阶段使用经过预训练的多图卷积网络MGCN对任务数据集进行粗分类，选出预测为共有类且置信度大于某个阈值的数据与辅助数据集中的共有类数据进行域适应。