[发明专利]轻量化多域联合蒸馏的高光谱地物分类方法

说明书

本发明公开了一种轻量化多域联合蒸馏的高光谱地物分类方法，主要解决现有方法网络复杂、运行效率低及通用性差的问题。其方案是：对高光谱图像进行归一化和光谱维度扩张处理，并划分训练集和测试集；构建点卷积组成的轻量化网络模型，随机初始化N个教师模型和一个学生模型；用每一个高光谱图像单独训练一个教师模型；在训练集上计算教师模型和学生模型之间的特征相似度损失和学生模型的分类损失，并将两者相加得到总损失；使用总损失训练学生模型；将测试集输入训练好的学生模型得到分类结果，输出分类图。本发明使用同一模型实现对多域数据集的高效分类，简化了网络结构，提高了分类效率和分类精度，可用于高光谱地质检测、地物识别和地物跟踪。

技术领域

本发明属于图像处理技术领域，具体涉及一种高光谱地物分类方法，可用于高光谱地物识别、地质检测和地物跟踪。

背景技术

高光谱图像通常具有数百维的光谱通道和一物一谱的特有性质，在土地使用性质分类，军事监控，物体识别等领域得到大量应用。近年来，随着高光谱图像采集设备的不断发展与广泛应用，使得对高光谱图像处理的需求不断上升。

传统的高光谱分类算法受限于手工特征设计所需的专业领域知识，具有较高的研究壁垒。深度学习算法虽说解决了手工特征设计的专业性难题，但由于其在高光谱图像分类任务应用过程中，存在模型参数量计算量较大，运行效率不高的问题。同时由于高光谱图像存在采集设备多样化、采集图像场景差异化，从而导致不同场景间数据分布不同，无法相互适应。因而现有的大部分基于深度学习的高光谱图像分类算法在处理不同数据集时需要对模型进行重初始化和再训练。然而，这与在轨设备和卫星设备上模型难以调整的现实状况产生了冲突。因而，如何在同一模型中实现针对不同场景数据集的良好分类是目前高光谱图像分类算法实际应用的一个亟待解决的问题。

在近期研究工作中，对网络进行轻量化处理成为改善模型效率的重要研究方向。轻量化网络，指通过改进或重新设计卷积神经网络中某些结构，在使用更少参数量的情况下，提高网络运行效率，取得较传统网络更优的网络性能。通过对网络轻量化处理，提高网络运行效率并改进网络分类性能。

在高光谱图像HSI地物分类任务中，轻量化网络的优越性也得到了证实。

论文“Zhang H,Li Y,Jiang Y,et al.Hyperspectral classification based onlightweight 3-D-CNN with transfer learning[J].IEEE Transactions on Geoscienceand Remote Sensing,2019,57(8):5813-5828.”中提出了一种端到端3D轻量化卷积网络3-DLWNet，其通过堆叠由点卷积、池化操作和3D深度可分离卷积构建的轻量化单元组成网络，该网络与传统的3D-CNN模型相比，具有更深的网络结构、更少的参数和更低的计算成本。但该方法由于使用了较多的3D卷积层，运行效率不佳，性能提升微弱。

论文“Wang J,Huang R,Guo S,et al.NAS-guided lightweight multiscaleattention fusion network for hyperspectral image classification[J].IEEETransactions on Geoscience and Remote Sensing,2021,59(10):8754-8767.”中提出的轻量化多尺度注意融合网络LMAFN，其基于神经结构搜索的结果，通过结合多尺度Ghost模块和高效通道注意ECA模块来自适应调整不同通道的权重，实现了更少的参数和更低的计算成本。