[发明专利]一种基于类心和协方差对齐的遥感图像迁移学习方法

摘要

本发明本一种基于类心和协方差对齐的遥感图像迁移学习方法，包括以下步骤：准备源域数据和目标域数据；对目标域图像进行空间平滑；源域和目标域数据的整体中心对齐；利用源域标签数据训练SVM分类器并对目标域数据进行分类；对源域各类数据进行变换，使得变换后的源域各类数据和目标域各类数据的协方差矩阵相等；计算源域和目标域各个类别数据的类心，将源域各类数据按照类心差的方向向目标域移动实现类心对齐；利用变换后的源域数据训练SVM分类器，对目标域数据进行分类。本发明充分利用数据的一阶和二阶统计特性描述数据分布，通过对齐源域数据和目标域数据的类心和协方差矩阵，缩小两域之间的分布差异，提高分类性能。

主权项

1.一种基于类心和协方差对齐的遥感图像迁移学习方法，其特征在于包括以下步骤：(1)选取源域图像中的训练数据X_s，即源域数据，以及目标域图像数据X_t；其中X_s是源域图像中的N个标记数据点的集合，每个数据点的维数是D，X_s的标记信息表示为Y_s，用N×1的向量表示；X_t是目标域图像中M个数据点的集合，每个数据点的维数是D；假设源域和目标域数据各有C种地物类型，表示为Ω＝[Ω₁，...，Ω_C]，其中Ω_i为类别数据，i＝1...C；(2)对目标域图像进行空间平滑处理：对于目标域图像中的每一个像素点x；使用以x为中心的大小为3×3的窗口，提取x的空间邻域，则x的空间邻域包括9个像素点，取9个像素点的平均光谱，即是对像素点x进行空间平滑处理后的光谱特征；(3)源域和目标域数据的整体中心对齐：首先，分别计算源域图像的源域数据中心u_s和目标域图像的目标域数据中心u_t，求得源域中心和目标域数据中心的差异d＝u_s‑u_t，然后将源域数据X_s沿着d的方向向目标域移动，移动后的源域数据表示为：利用更新后的源域数据训练支持向量机分类器，并获得目标数据X_t的预测结果Y_t；设置迭代索引l＝1、预测结果Y_t^(l)＝Y_t，以及更新后的源域数据(4)源域和目标域各个类别数据的协方差对齐：将l累加1，计算当前源域数据X^st(l‑1)各个类别的协方差矩阵，基于预测标签Y_t^(l‑1)来估计目标域数据X_t各个类别的协方差矩阵；利用以下变换矩阵对源域第j类数据做变换，使得源域第j类数据和目标域第j类数据的协方差矩阵对齐：其中表示当前第j类源域数据的协方差矩阵，表示当前第j类目标域数据的协方差矩阵；利用以下变换矩阵对第j类源域数据进行变换：(5)源域和目标域各个类别数据的类心对齐：计算源域各个类别数据的类心以及目标域各个类别数据的类心，则源域和目标域第j类类心差为：其中为第j类源域数据的类心，为第j类目标域数据的类心；将第j类源域数据沿着第j类类心方向d_j移动，则源域数据更新为：(6)用更新后的源域数据X^st(l)训练支持向量机分类器，对目标域数据进行分类，得到目标数据的预测结果Y_t^(l)，所述Y_t^(l)为M×1的向量；(7)重复步骤(4)～(6)直到预测结果Y_t^(l)稳定。