[发明专利]基于多层级特征对齐的高光谱图像跨域分类方法

权利要求书

1.基于多层级特征对齐的高光谱图像跨域分类方法，其特征在于，所述分类方法包括两个阶段，在第一阶段，使在SD中取得良好的分类性能，通过交叉熵损失和源域聚类损失进行监督，具体如下，

其中，D_dis表示欧氏距离，Λ(a,b)表示如果a等于b，输出为1，否则输出为0；可以使同类别的样本相互靠近，非同类别的样本相互远离；所以第一阶段的损失函数显示为

在第二阶段，将的参数迁移到通过三种损失函数，特征到特征F-to-F的损失函数，特征到簇中心F-to-C的损失函数以及簇中心到簇中心C-to-C的损失，用TD的样本来训练和微调

所述特征到特征的损失用公式表示为：

其中，φ(·)是RKHS中的函数，注意是已经训练好的源域SD网络，所以作为预测类别为c的特征输出有很高的预测精度；同样，是目标域模型的特征输出，其预测类别即伪标签是c；

特征到聚类中心的损失包括经过第一阶段的训练，SD的集群中心E_S，可以表示为：

特征到簇中心损失是将每个TD样本的网络输出尽可能地接近相应类别的SD聚类中心，这表示为：

其中D_cos(a,b)表示余弦相似度的计算；

聚类中心到聚类中心的损失包括在第二阶段的训练中，TD网络每次迭代的输出平均值作为TD聚类中心，通过伪标签作为类别指导计算获得，即，TD聚类中心是动态变化的，在训练过程中逐渐接近SD聚类中心；而TD聚类中心E_T，可以表示为：

同时，聚类中心到聚类中心的损失的目标是将SD和TD中每个类别的聚类中心分别对齐，这可以用公式表示：

第一阶段的损失函数显示为：

第二阶段的损失函数显示为：

即，所述分类方法的总体损失函数可以表示为：

其中，训练需要提供SD的聚类中心和样本特征。

2.根据权利要求1所述的基于多层级特征对齐的高光谱图像跨域分类方法，其特征在于，特征提取网络由三个block-A、一个block-B和一个全连接层组成。

3.根据权利要求1所述的基于多层级特征对齐的高光谱图像跨域分类方法，其特征在于，在第二阶段，多级FA由三个损失函数实现，包括特征到特征F-to-F的损失，特征到簇中心F-to-C的损失，以及簇中心到簇中心C-to-C的损失。