基于小样本学习的高光谱遥感图像分类算法

发布时间：2021-03-10 16:49

　　高光谱图像（Hyperspectral Image,HSI）具有丰富的地物空间信息和光谱信息,为地物的精细分类提供了有利条件.当前高光谱遥感图像分类方法,在标记样本较少的情况下,其分类性能相对有限.那么,如何充分发挥小样本学习领域的相关理论与方法,以提升高光谱遥感图像分类性能,是一个意义重要且具有挑战性的问题.为此,本文以标记的小样本为背景,对现有基于深度学习的高光谱遥感图像分类算法进行改进,其核心思路在于:利用基于深度三维神经网络的嵌入模型从训练数据集中学习投影函数,进而将视觉特征映射到语义表示,同时通过最小化损失函数使其类内间距较小、类间间距较大,再使用训练好的网络嵌入模型将每个未标记的目标类表示在相同的嵌入空间中,最后,分别选用欧氏距离和卷积神经网络作为距离度量方式,计算嵌入空间中嵌入与类原型之间的距离,从而实现投影后的样本分类.本文在印第安松、萨利纳斯和帕维亚大学数据集上进行了实验,其结果表明改进的算法具有较好的高光谱遥感图像分类性能. 

【文章来源】：聊城大学学报(自然科学版). 2020,33(06)

【文章页数】：11 页

【部分图文】：

网络模型结构

在小样本分类任务中，关键在于使用中间层语义表示来使得源域数据与目标域数据在语义上相关，而这些语义表示通常编码在高维向量空间中．常见的语义表示包括语义属性和语义词向量．给定一个预定义的语义表示，各类均能表示为一个属性向量或一个语义词向量，即类原型．语义表示通常是通用且共享的，可以用来在训练数据集和测试数据集之间传递知识，从而识别新的、不可见的类．使用嵌入模型从训练数据集中学习投影函数，投影函数将视觉特征映射为语义表示．利用学习到的投影函数将不可见类的未标记样本表示在同一个嵌入空间．然后通过计算嵌入空间中嵌入与类原型的相似度使用分类模型对每个投影后的样本进行分类．受此启发，基于深度学习的HSI小样本分类算法大致可分为三个阶段．首先，使用基于深度残差三维卷积神经网络的嵌入模型从训练数据集中学习到一个投影函数，学习到的投影函数能够将视觉特征映射到可泛化特征，在训练过程中通过最小化损失函数令投影函数得到的嵌入特征类内间距较小且类间间距较大，且这个投影函数将对训练中没有出现的类也执行相同的操作．其次，利用预先训练好的网络提取测试集中每个样本的特征．最后，通过计算嵌入空间中嵌入与类原型之间的欧氏距离使用最近邻分类器对每个投影后的样本进行分类．之所以算法采用简单的最近邻分类器来避免搜索额外参数，是因为仅有少数标记样本可用，而常用的分类器（如SVM）需要使用交叉验证来确定最优参数．基于深度学习的HSI小样本分类算法结构如图1所示．

为了使习得的投影函数适用于小样本分类场景，算法使用抽样小批量（episode）来模拟小样本任务．从训练数据集中随机抽取一个类子集形成一个训练批次来计算梯度并更新网络参数．对于每一训练批次，从每一个类中随机抽取一个样本作为支持集以模拟测试数据集上进行的小样本分类任务，剩余样本的子集作为查询集．将支持集和查询集的样本输入到网络中，通过网络提取其嵌入特征．对于查询集的每一个样本，其类分布函数基于嵌入空间中与支持集样本的距离由式（1)[28]计算得到其中ck表示支持集第k类的深层特征，x表示查询集样本的嵌入特征，y表示x的类标签，d（·）为欧氏距离函数．损失函数如式（2)[28]所示，最小化损失函数会使得查询集样本的嵌入特征fφ（x）与该样本对应类k类原型ck之间的距离尽可能小，而与各个类原型之间的距离尽可能大．


本文编号：3074954