欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019101131563
申请人: 安徽大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种新的高光谱图像数据半监督分类方法,其特征在于,该方法包括下述步骤:步骤一:获取到所有的高光谱数据,并将其作为初始数据;

步骤二:使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据,并获取所有初始数据的伪标签;初始数据的伪标签是通过稀疏子空间聚类直接获得;

步骤三:在CNN1中对所有的初始数据及其伪标签进行预训练;

对于CNN1中分类层中的目标函数,提出了基于度量学习的新的目标函数;

步骤四:利用CNN1除去最后的分类层,再加上全连接层构成了CNN2;

步骤五:将带标签的数据以及它们的标签在CNN2上进行微调;

步骤六:在分类层之后,通过马尔可夫随机场,利用高光谱图像的空间信息,进一步对分类结果进行后处理,提高分类精度。

2.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述初始数据包括标记高光谱数据和未标记高光谱数据;同时利用标记高光谱数据和未标记高光谱数据对CNN1进行训练。

3.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤三中CNN1是指代初始的深层卷积神经网络。

4.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤三中预训练是指把全部的初始数据及其伪标签,放入神经网络CNN1中进行训练;预训练可以通过大量初始数据来预先训练网络CNN1并获得一组适当的参数,可以学习到特征;

因为初始数据中标记的数据少,这里用到了未标记的高光谱数据和标记的高光谱数据。

5.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤四中CNN2是指代新的深层卷积神经网络;它是由CNN1去除了最后的分类层,再加全连接层构成的;对于CNN2中分类层的目标函数,就是softmax交叉熵损失函数。

6.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤五中微调是指带有真实标签的数据及其标签作为初始数据,放到CNN2中进行训练。

7.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤六中通过马尔可夫随机场进一步利用其空间信息,具体表现为在图像分类任务中,马尔可夫随机场鼓励相邻像素具有相同的类标签;这可以进一步提高高光谱图像分类任务的分类准确率;马尔可夫随机场的作用是假设相邻像素更可能属于同一类,鼓励邻近像素属于同类标签。