[发明专利]一种小样本高分辨率遥感影像场景分类方法

权利要求书

1.一种小样本高分辨率遥感影像场景分类方法，其特征在于，该方法包括如下步骤：

(1)首先是源域和目标域训练样本集的准备，分别从不同的遥感场景数据集中选取适量的图像分别构建源训练样本集和目标域训练样本集，模拟小样本分类的情形；

(2)选择AlexNet为DCNN主网络，结合FPN网络层融合策略对样本图像进行深度卷积特征的提取；

(3)提出一种基于单一样本加权的分布适配算法WS-BDA，实现从源领域到目标域的特征分布迁移，并利用迁移后的特征数据训练目标分类器，完成遥感场景图像的分类。

2.根据权利要求1所述的一种小样本高分辨率遥感影像场景分类方法，其特征在于，步骤(2)中，选择AlexNet为DCNN主网络，结合FPN网络层融合策略对样本图像进行深度卷积特征的提取，具体方法如下：

首先，将图像输入至AlexNet中，自底向上地得到3张不同尺度的卷积特征图{C1,C2,C3}；从最高层的特征图P3＝C3开始，对P3进行上采样，同时采用1×1的卷积核对C2进行降维处理，通过横向连接将上述P3上采样后和C2降维后的两个结果相加后进行3×3卷积操作得到下一层的P2；随后，对P2进行上采样，同时采用1×1的卷积核对C1进行降维处理，通过横向连接将P2上采样后和C1降维后的两个结果相加后进行3×3卷积操作得到下一层的P1；最后，将P1直接输入AlexNet的全连接层，根据网络层的参数设置，选取Alene的fc7层的输出作为图像的深度特征表示；

由于AlexNet的fc7层输出特征的维数高达4096维，对fc7层输出特征进行PCA白化降维，设fc7层输出特征矩阵为其中，n表示fc7层特征矩阵包含特征向量的个数，d表示每个特征向量的维数，实现PCA白化的过程如下：

第一，对特征数据集去中心化：其中，mean(·)为均值函数；

第二，计算F的协方差矩阵：对∑进行奇异值分解，获得特征值λ_i及对应的特征向量v_i，选取特征值最大的前k个特征向量组成白化转换矩阵W；

第三，使用W对特征数据进行转换：F_pw＝W^T*F，降低数据之间的关联；

第四，使用比例调整算子1/(λ_i+ζ)，其中，ζ是为了保证分母不为0而设置的参数，设置为10^-5，对降维数据F_pw进行方差归一化，即使得归一化后的数据方差为1，归一化后的F_pw特征集表示为fea。

3.根据权利要求1或2所述的一种小样本高分辨率遥感影像场景分类方法，其特征在于，步骤(3)中，提出一种基于单一样本加权的分布适配算法WS-BDA，实现从源域到目标域的特征分布迁移，并利用迁移后的特征数据训练目标分类器，完成遥感场景图像的分类，具体方法如下：

设源域样本特征数据相应的标签集为目标域样本数据以及对应的标签集其中，m＜＜n，C为样本标签的类别数，X＝[X_s；X_t]为样本总集，X_s与X_t来自不同的数据集，二者的边缘概率分布P_s(x_s)≠P_t(x_t)，条件概率分布P_s(y_s|x_s)≠P_t(y_t|x_t)；

采用均衡分布适配算法估算源域D_s和目标域D_t领域间分布距离如下：

Distance(D_s,D_t)＝(1-μ)Distance(P(x_s),P(x_t))+μDistance(P(y_s|x_s),P(y_t|x_t)) (1)

其中，μ∈[0,1]表示两种数据分布之间的平衡因子，当μ→1时，表明条件分布适配影响大于预设条件；当μ→0时，表明边缘分布适配符合预设条件，P(x_s)与P(y_s|x_s)分别表示源域样本空间的边缘概率分布与条件概率分布，P(x_t)与P(y_t|x_t)分别表示目标域样本空间的边缘概率分布与条件概率分布，BDA算法利用最大均值差异量化数据域间的分布距离，具体表示如式(2)：

其中，H表示可再生希尔伯特空间，C表示类别总数，u,v分别为源域及目标域中的样本数，分别表示源域及目标域中类别为c的样本子集，u_c,v_c为对应的样本数，将式(2)转化为式(3)所示的优化问题：

其中，X为样本总集，A为寻找的特征转换矩阵，λ为正则化因子，I表示单位矩阵，E表示全1矩阵，tr(·)表示矩阵求迹，||·||_F表示F范数，M₀与M_c分别为MMD矩阵，其定义为：

使用拉格朗日乘数法将A的求取转化为如下的特征值分解问题：

其中，Φ表示拉格朗日乘子；

针对上述BDA算法，通过余弦相似性度量方法对其进行改进，先计算单一样本与样本空间全局均值点之间的相似度，再以此计算样本空间内部的分布权重；具体来说，对于预处理后的特征数据集fea，其均值向量为fea_mean，训练样本集对应的权重矩阵将通过下式计算：

利用得到的权重矩阵β优化MMD距离的表示，则新的待优化目标表达式表示为：

其中，A为要求取的特征转换矩阵，λ为正则化因子，I表示单位矩阵，E表示全1矩阵，tr(·)表示矩阵求迹，||·||_F表示F范数，M'₀与M_c'分别为优化后的MMD矩阵，其定义为：

其中，在M_c'中，fea^(c)与fea_mean^(c)分别为样本特征集中类别标签为c的样本子集及其均值向量；(M'₀)_ij为M'₀矩阵的第i行第j列元素，(M′_c)_ij为M′_c矩阵的第i行第j列元素，β_s(i)为源域第i个样本对应的权重，β_t(i)为目标域第i个样本对应的权重，为源域中属于第c类的第i个样本对应的权重，为目标域中属于第c类的第i个样本对应的权重；x_i和x_j表示与(M'₀)_ij对应的第i和第j个样本，X_s表示源域样本集，X_t表示目标域样本集，和表示与(M′_c)_ij对应的第c类的第i和第j个样本，表示第c类的源域样本集，表示第c类的目标域样本集；

对于式(8)的优化问题，通过拉格朗日乘数法求解特征迁移矩阵A：

其中，Φ表示拉格朗日乘子，式(11)对A求取偏导数并置0得到：

优化问题最终转化为：

此时通过广义特征值分解即可获得最优的特征迁移矩阵A，获得A之后，将源域和目标域中的特征数据分别映射到共享特征子空间中，即可实现从源领域到目标域的特征分布迁移和适配，并利用迁移后的特征数据训练目标分类器，最终完成遥感场景图像的分类。