[发明专利]面向高光谱图像分类的数据自适应激活函数学习方法

摘要

本发明公开了一种面向高光谱图像分类的数据自适应激活函数学习方法，用于解决现有高光谱图像分类方法准确率差的技术问题。技术方案是利用高光谱数据的光谱信息和空间信息，旨在学习基于特定数据的激活函数来进行高光谱图像分类。通过对常见的激活函数进行分析，发现激活函数可以用激活映射与输入特征相乘的方式来表示。因此，本发明通过构建一个两层的神经网络来学习激活映射。神经网络从通道和光谱两方面进行学习，分别构建了符合二者特性的激活函数，从而提高了图像分类准确率。经测试，在Indian Pines数据集上，基于通道和光谱的激活函数的分类准确率分别平均提高2.17％和4.03％。

主权项

1.一种面向高光谱图像分类的数据自适应激活函数学习方法，其特征在于包括以下步骤：步骤一、定义三维高光谱数据为包含r行、c列和b个波段；为了简便，将重排为二维矩阵n＝r×c表示像素数目，并且对于给定的高光谱数据，采用四层卷积神经网络对其进行分类，每一层卷积神经网络中嵌入所提出的激活函数；卷积操作Conv(·)如下：其中，为卷积操作，表示卷积核，表示需要进行卷积操作的像素点，num为卷积核大小，weight_j为卷积操作的权重，表示卷积后特征图的像素点，b'表示经过卷积操作后像素点的光谱维度；对输入数据进行卷积后，得到卷积层的输出特征m表示卷积核的数目；所建立的卷积神经网络分类器的结构为，第一层卷积层，输出空间的维度为32，一维卷积窗口的大小为8，卷积步长为3，padding设置为valid，并用所提激活函数激活；第二层卷积层，输出空间的维度为64，一维卷积窗口的大小为3，卷积步长为2，padding设置为valid，并用所提激活函数激活；第三层卷积层，输出空间的维度为128，一维卷积窗口的大小为3，卷积步长为2，padding设置为valid，并用所提激活函数激活；全连接层输出空间的维度为输入数据的类别数；分类器使用SGD及Adam优化器对交叉熵损失函数进行优化；步骤二、建模基于通道的激活函数，并将其嵌入在卷积神经网络分类器中；将卷积神经网络分类器中每一层卷积操作后的输出作为激活函数的输入首先根据公式(1)使用卷积操作Conv(·)基于提取浅层特征得到b_channel表示激活函数学习模块中卷积后的光谱维数，c_channel示卷积后的通道数；接着对其使用平均池化操作AvgPool(·)进行聚合，原始特征的通道信息被完全保留，通过收缩光谱维度b_channel，f_c的第c_j个通道由下式池化：将池化后的特征映射到全连接层FC(·)，得到基于特征的通道信息的激活映射G_c(f)＝σ(FC(AvgPool(Conv(f))))    (3)这里，σ(·)表示Sigmoid激活函数；在基于通道的激活函数建模过程中，所使用的网络结构为：卷积层输出空间的维度为一维卷积窗口的大小为卷积步长为1，padding设置为valid，并用Sigmoid激活函数激活；全连接层全连接层输出空间的维度为m；步骤三、建模基于光谱的激活函数，并将其嵌入在卷积神经网络分类器中；同样，将卷积神经网络分类器中每一层卷积操作后的输出作为激活函数的输入使用平均池化AvgPool(·)聚合通道信息，以便于简化特征提取，通过收缩通道维度m，f的第b'_j个光谱波段由下式池化：将保留了光谱信息的特征映射到多层感知机MLP(·)，从而学习到基于特征的光谱信息的激活映射G_s(f)＝σ(MLP(AvgPool(f)))    (5)在基于通道的激活函数建模过程中，MLP(·)使用的网络结构为：第一层全连接层输出空间的维度为第二层全连接层输出空间的维度为b'；步骤四、将学习到的激活映射与原始特征相乘，即得到针对特定数据的激活函数基于通道的激活函数由以下公式得到：这里，操作表示矩阵乘法；基于光谱的激活函数由以下公式得到：