【技術實現步驟摘要】
本專利技術涉及高光譜影像分類，尤其涉及一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法。
技術介紹
1、面對日益增長的高光譜遙感大數據和不斷變化的環境，傳統分類模式因其依賴于充分的標注數據難以適應新類別的突發出現而逐漸顯露出局限性。即現有的分類技術大多依賴于有限的標注樣本，導致新類識別能力不足、且適應性差的問題，因此探索高光譜領域的新類發現問題的方法顯得尤為重要。
技術實現思路
1、本專利技術提供一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，以克服上述技術問題。
2、為了實現上述目的，本專利技術的技術方案是：
3、一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，包括以下步驟：
4、s1：獲取高光譜遙感圖像數據集，且高光譜遙感圖像數據集包括目標地物的光譜特征與度量空間特征及對應的目標地物類別；
5、根據高光譜遙感圖像數據集隨機劃分并獲取數據訓練集、數據驗證集以及數據測試集；
6、并對數據訓練集進行訓練數據選取，以獲取監督訓練樣本集與新類發現訓練樣本集；
7、s2：構建基于雙重關系蒸餾約束的高光譜遙感圖像新類發現的新類發現網絡模型，且新類發現網絡模型包括用于提取監督訓練樣本集中的光譜特征與度量空間特征的監督訓練網絡單元、用于提取新類發現訓練樣本集中的光譜特征與度量空間特征的新類發現網絡單元以及用于根據監督訓練網絡單元與新類發現網絡單元的輸出，捕獲在譜空維度上的目標地物已知類別與新類別之間類別關系的
8、s3：根據監督訓練樣本集與新類發現訓練樣本集，對新類發現網絡模型進行模型訓練，并通過數據驗證集對訓練后的新類發現網絡模型進行模型驗證，以獲取新類發現網絡優化模型；
9、s4：根據所述新類發現網絡優化模型實現對數據測試集中高光譜遙感圖像的新類預測。
10、進一步的，s1中所述對數據訓練集進行訓練數據選取的方法為，
11、按照預設比例將數據訓練集劃分監督訓練樣本集與新類發現訓練樣本集；
12、且監督訓練樣本集即為將高光譜遙感圖像數據集中，對應目標地物的光譜特征與度量空間特征的目標地物類別，作為目標地物已知類別的高光譜遙感圖像數據的集合；
13、所述新類發現訓練樣本集即為將高光譜遙感圖像數據集中，對應目標地物的光譜/度量空間特征的目標地物類別，作為目標地物新類別的高光譜遙感圖像數據的集合。
14、進一步的，s2中所述監督訓練網絡單元包括依次連接的第一特征提取器與第一分類器；
15、所述新類發現網絡單元包括依次連接的第二特征提取器、新類關系預測蒸餾模塊以及第二分類器；
16、所述第一特征提取器與第二特征提取器，分別用于提取監督訓練樣本集與新類發現訓練樣本集中的光譜特征與度量空間特征；
17、同時所述第二特征提取器的輸出特征即為實例特征；
18、第一分類器用于根據第一特征提取器的輸出進行目標地物類別的分類；
19、所述新類關系預測蒸餾模塊用于基于gmm模型，根據第二特征提取器的輸出獲取關于特征分布的聚類堆，并將所述聚類堆定義為特征原型組；
20、所述新類關系預測蒸餾模塊還用于獲取實例特征與特征原型組的光譜角余弦相似度，且基于光譜角余弦相似度獲取實例特征與特征原型的分配概率；
21、所述第二分類器用于根據新類關系預測蒸餾模塊輸出的分配概率，獲取新類別的預測偽標簽；
22、所述類別關系分布蒸餾模塊用于利用第一分類器的輸出，為第二分類器的輸出提供分布級蒸餾約束，以捕獲在譜空維度上的目標地物已知類別與新類別之間類別關系，進行實現高光譜遙感圖像新類的預測。
23、進一步的，所述第一特征提取器與第二特征提取器結構相同，均包括第一二維卷積層、依次連接的若干特征網絡層、平均池化層、cbam注意力層以及全連接層；
24、所述特征網絡層包括依次連接的第二二維卷積層、第一批量歸一化層、第一激活層、第三二維卷積層、第二批量歸一化層以及第二激活層；
25、第一二維卷積層用于對輸入的高光譜遙感圖像數據進行目標特征提取，獲取第一特征圖；
26、且所述目標特征即為目標地物的光譜特征與度量空間特征；
27、所述第二二維卷積層用于對第一特征圖進行目標特征提取，獲取第二特征圖；
28、所述第一批量歸一化層用于對第二特征圖中的目標特征進行歸一化操作，獲取第三特征圖；
29、第一激活層用于對第三特征圖進行非線性特征變換，獲取第四特征圖；
30、第三二維卷積層用于對第四特征圖進行目標特征提取，獲取第五特征圖；
31、所述第二批量歸一化層用于對第五特征圖中的目標特征進行歸一化操作，獲取第六特征圖；
32、第二激活層用于對融合特征圖進行非線性特征變換，獲取第七特征圖；且所述融合特征圖即為通過對第二二維卷積層與第二批量歸一化層的輸出，進行逐像素加和操作所獲取的特征圖；
33、所述平均池化層用于對第七特征圖進行全局降維操作，獲取第八特征圖；
34、所述cbam注意力層用于對第八特征圖進行增強特征表達操作，獲取第九特征圖；
35、全連接層用于對第九特征圖進行特征高維映射，獲取最終特征提取圖。
36、進一步的，所述s3具體包括以下步驟：
37、s31：將監督訓練樣本集作為監督訓練網絡單元的輸入數據，同時將新類發現訓練樣本集作為新類發現網絡單元的輸入數據，將目標地物類別作為新類發現網絡模型的輸出數據；
38、對新類發現網絡模型進行模型訓練，獲取訓練后的新類發現網絡模型；
39、s32：通過數據驗證集對訓練后的新類發現網絡模型進行模型驗證，即判斷訓練后的新類發現網絡模型的輸出是否收斂；
40、若確認所述訓練后的新類發現網絡模型的輸出收斂，則此時訓練后的新類發現網絡模型作為新類發現網絡優化模型；
41、否則，基于反向傳播法，自適應調整訓練后的新類發現網絡模型的權重參數，并重復執行s31。
42、進一步的，所述s32中判斷訓練后的新類發現網絡模型的輸出是否收斂的損失函數l，其表達式為
43、l＝α*lcls+β*lkd_distribution+γ*lkd_prototype
44、
45、
46、
47、式中：α表示約束交叉熵損失的超參數；β表示輔助預測分布級損失的超參數；γ表示原型組級聚類損失的超參數；ls表示約束交叉熵損失函數；lkd_distribution表示用于輔助預測原型組分布損失的知識蒸餾損失函數；lkd_prototype表示原型組聚類損失的蒸餾損失函數；j表示生成原型組的總數量；gi表示原始數據生成的原型組分布；g′i表示設定副本數據生成的原型組分布；nq表示新類發現訓練樣本集中的樣本總數量；q表示本文檔來自技高網...
【技術保護點】
1.一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，S1中所述對數據訓練集進行訓練數據選取的方法為，
3.根據權利要求2所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，S2中所述監督訓練網絡單元包括依次連接的第一特征提取器與第一分類器；
4.根據權利要求3所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，所述第一特征提取器與第二特征提取器結構相同，均包括第一二維卷積層、依次連接的若干特征網絡層、平均池化層、CBAM注意力層以及全連接層；
5.根據權利要求4所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，所述S3具體包括以下步驟：
6.根據權利要求5所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，所述S32中判斷訓練后的新類發現網絡模型的輸出是否收斂的損失函數L，其表達式為
【技術特征摘要】
1.一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，s1中所述對數據訓練集進行訓練數據選取的方法為，
3.根據權利要求2所述的一種基于雙重關系蒸餾約束的高光譜遙感圖像新類發現方法，其特征在于，s2中所述監督訓練網絡單元包括依次連接的第一特征提取器與第一分類器；
4.根據權利要求3所述的一種基于雙重關系蒸餾約束的高光譜遙...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。