[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

说明书

本发明公开了基于多层级特征对齐的高光谱图像跨域分类方法，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训练；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，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，用TD的样本来训练和微调其中，训练需要提供SD的聚类中心和样本特征。本发明集成了特征到特征、特征到簇中心、簇中心到簇中心的多层级方法，实现了特征在源域和目标域的相同分布，进而对未标记的TD实现了更好的分类精度。

技术领域

本发明涉及高光谱图像分类的技术领域，具体涉及基于多层级特征对齐的高光谱图像跨域分类方法。

背景技术

遥感技术能够通过接收地面表层发射或反射的各类电磁波并对其进行传输和处理获得地面的感兴趣信息。与地面观测相比，遥感观测具有观测范围大、观测周期短、受地面限制少等优点。遥感图像将人类的直观感觉延伸到高空，成为最为直观的感知地面情况的媒介。高光谱成像仪获得的高光谱图像包含几十甚至几百个波段，具有较高的光谱分辨率，包含了数百个不同的波段，不仅包含丰富的光谱信息，还包含地面物体的空间结构信息。高覆盖的光谱范围与精细的光谱分辨率意味着地物光谱的全局特征将更加完整而局部细微特征将更加明显。高光谱图像数据量大，光谱维度高，信息冗余度高。此外，受到大气、湿度、场景、光照、云层厚度以及像元不纯净等环境因素影响，部分光谱范围内的波段会出现信息丢失或包含严重的影像噪声。高光谱图像分类就是对地面物体进行像素级区分，广泛应用于海洋探测、城市分类、气候预测、林业监测、地质勘探、现代军事以及现代农业等诸多领域。

高光谱遥感图像包含丰富的光谱信息，使得每一类地面物体具有更多的可区分的特征。此外，高光谱图像分类(HSIC)是学习高光谱图像(HSI)中所包含的特征，以实现区分地面物体的过程。

如今，由于深度学习对特征编码的能力令人印象深刻，基于深度学习的HSIC算法逐渐成为主流。然而，大多数基于深度学习的算法需要大量的训练样本，而这些样本的获得是耗时耗力的。此外，基于深度学习的算法还要求测试数据集与训练数据集的分布相同，这意味着训练好的模型在其他场景的高光谱图像上不能达到满意的分类性能。这是因为不同场景的HSI具有明显的光谱移动和分布差异。相应地，域自适应(DA)被提出来以减少跨场景HSI之间的分布差异。总之，域自适应是迁移学习的一种，具体是指源域(SD，有标签)和目标域(TD，无标签)有相同的任务和不同的数据分布。

DA算法主要分为两种类型：基于分类器的，它涉及分类器以适应目标域中的数据；基于特征对齐的，它涉及特征提取器以对齐两个域的特征分布。我们重点讨论基于特征对齐的算法，这是HSIC领域的研究主流。具体来说，基于特征对齐的方法可以细分为：基于对抗性学习的、基于特征距离测量的、基于聚类中心的等。

目前基于特征对齐的算法大多只考虑单层级特征对齐，不能充分利用SD和TD的特征来实现两个领域的特征分布一致。

发明内容

鉴于现有技术的不足，本发明旨在于提供基于多层级特征对齐的高光谱图像跨域分类方法。

为了实现上述目的，本发明采用的技术方案如下：

基于多层级特征对齐的高光谱图像跨域分类方法，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训练；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，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，用TD的样本来训练和微调其中，训练需要提供SD的聚类中心和样本特征。

需要说明的是，特征提取网络由三个block-A、一个block-B和一个全连接层组成。

需要说明的是，在第一阶段包括：

训练是由交叉熵损失和源域损失监督的