[发明专利]轻量化多域联合蒸馏的高光谱地物分类方法

权利要求书

1.一种轻量化多域联合蒸馏高光谱地物分类方法，其特征在于，包括以下步骤：

S1)对N个高光谱图像依次进行归一化处理和光谱维度扩张，得到N个维度相等的高光谱图像，再将每个高光谱图像数据划分为训练集和测试集，共得到N个训练集和N个测试集；

S2)构建由多个点卷积层、一个池化层和一个全连接层级联组成的轻量化网络，并根据其网络结构创建并随机初始化N个教师模型和一个学生模型，且保证教师模型和学生模型具有相同的网络结构；

S3)利用N个训练集采用梯度下降算法对N个教师网络模型分别进行独立训练，在训练迭代过程中，每次迭代对训练集进行精度计算，并将训练集上精度最高的一代网络模型权重作为最终的分类模型权重，得到训练好的N个教师模型；

S4)利用训练好的N个教师模型对同一个学生模型进行基于特征的知识蒸馏，得到训练好的学生模型：

S41)在N个训练集中分别随机采样相同数量的训练样本，并分别输入到训练好的对应教师模型，得到教师模型的输出特征；

S42)将所有采样的训练样本输入到学生模型，得到学生模型的输出特征和预测概率；

S43)计算学生模型的输出特征与教师模型的输出特征之间的相似度，并作为相似度损失MLoss；利用交叉熵损失计算学生模型的预测概率与真实类别标签的分类损失CLoss，得到总损失Loss＝MLoss+CLoss；

S44)使用总损失Loss迭代更新学生模型，并将总损失Loss最低的一代网络模型权重作为最终的学生模型权重，得到训练好的学生模型；

S5)将N个测试集输入训练好的学生模型进行测试得到最终的分类结果，并根据分类结果输出N个高光谱图像数据的分类图。

2.根据权利要求1所述的方法，其特征在于，步骤S1)中对N个高光谱图像依次进行归一化处理和光谱维度扩张，实现如下：

S11)对高光谱图像数据x进行线性变换，使高光谱数据x映射到[0,1]之间，得到归一化后的高光谱图像其中μ，σ分别是高光谱图像数据x的均值和方差；

S12)对归一化后的N个高光谱图像在通道维度进行全0填充，使得归一化后的N个高光谱图像具有相同的通道数，且通道数为N个高光谱图像原始通道数的最大值，得到维度扩张后的高光谱图像。

3.根据权利要求1所述的方法，其特征在于，步骤S1)中将每个高光谱图像数据划分为训练集和测试集，实现如下

S13)设置高光谱图像采样窗口，采样窗口为patch块空间大小，从维度扩张后的N个高光谱图像中分别采样样本；

S14)以patch块中心像素点的标签作为该patch块标签，将N个高光谱图像中所有带标签patch块分别随机划分为训练样本集和测试样本集

4.根据权利要求1所述的方法，其特征在于，步骤S2)构建轻量化网络中的每层点卷积包括有多个卷积核，卷积核的大小均为1×1，步长为1，padding为0，卷积核的数量随点卷积层的深度逐渐增加。