[发明专利]一种基于深度学习的高光谱图像分类方法在审
| 申请号： | 201910481901.X | 申请日： | 2019-06-04 |
| 公开（公告）号： | CN110210411A | 公开（公告）日： | 2019-09-06 |
| 发明（设计）人： | 高红民;姚丹;俞科栋;李臣明;杨耀;王明霞;缪雅文 | 申请（专利权）人： | 河海大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 饶欣 |
| 地址： | 210000 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的高光谱图像分类方法，包括预训练阶段和微调阶段，在对深度卷积网络进行改进的基础上对深层网络参数和浅层网络参数进行调整，能够在尽可能少的标签样本的情况下避免过拟合现象，提高了深层网络在小样本情况下的分类效果，在采用同等数据量进行训练网络时有一定的优势。 | ||
| 搜索关键词： | 高光谱图像 网络参数 分类效果 训练阶段 训练网络 数据量 小样本 分类 卷积 拟合 浅层 微调 样本 网络 标签 学习 改进 | ||
【主权项】：
1.一种基于深度学习的高光谱图像分类方法，其特征在于：包括以下步骤：S1：对一个已有的高光谱图像的数据集进行分割，得到源数据集、微调数据集和测试数据集；S2：对深度卷积网络的参数进行初始化；S3：利用源数据集训练深度卷积网络，将测试数据集输入到训练好的深度卷积网络中，得到测试数据集的正确率；S4：判断测试数据集的正确率是否大于第一阈值：如果是，则进行步骤S6；否则，则进行步骤S5；S5：调整深度卷积网络的参数，然后返回步骤S4；S6：将此时的浅层网络参数作为调整后的浅层网络参数；所述浅层是指深度卷积网络中用于提取所述已有的高光谱图像的数据集边缘和轮廓的卷积层；S7：对深层网络参数进行初始化；所述深层是指深度卷积网络中除浅层以外的其他卷积层；S8：利用微调数据集对步骤S6得到的调整后的浅层网络参数进行训练；S9：利用待分类的高光谱图像的数据集训练深度卷积网络；S10：输出结果；所述步骤S1‑S5为预训练阶段，步骤S6‑S10为微调阶段。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河海大学，未经河海大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910481901.X/，转载请声明来源钻瓜专利网。
