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: 2023112228380
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于伪标签互学习半监督的医药高光谱分类方法,其特征在于,包括如下步骤:S1、获取原始的医药高光谱数据集;

S2、利用医药高光谱数据集构建有标签样本集和无标签样本集;

S3、搭建用于医药高光谱分类的相互半监督学习模型,所述相互半监督学习模型包括两个相同的子模型,每个子模型各包括依次连接的编码器F、特征映射头E、预测映射头P和记忆存储模块MB;

S4、从有标签样本集和无标签样本集中各选择一批样本分别输入到两个子模型内,两个子模型内的编码器F分别对有标签样本和无标签样本进行特征提取,得到有标签输出特征和无标签输出特征,利用两个子模型的特征映射头E分别对有标签输出特征和无标签输出特征进行映射,得到有标签映射特征和无标签映射特征,并存储到记忆存储模块MB内;利用两个子模型的预测映射头P分别对有标签输出特征和无标签输出特征进行预测,得到有标签预测向量和无标签预测向量,并存储到记忆存储模块MB内;

S5、利用两个记忆存储模块MB内存储的有标签映射特征和无标签映射特征对无标签预测向量进行平滑,得到当前批次的两个伪标签集;

S6、利用有标签预测向量、有标签映射特征以及无标签映射特征、无标签预测向量以及当前批次的两个伪标签集计算总损失,重复S3至S6,直至迭代次数达到设定次数,选取总损失最小的权重作为最终应用的子模型的权重,得到最终应用的子模型;

S7、利用最终应用的子模型对其他医药高光谱进行分类。

2.根据权利要求1所述的医药高光谱分类方法,其特征在于,所述S2具体包含如下步骤:S21、在医药高光谱数据集中随机选择部分医药高光谱,并对此部分医药高光谱进行标签,得到有标签的样本集;

S22、利用医药高光谱数据集中另一部分没有标签的医药高光谱构建无标签的样本集。

3.根据权利要求1所述的医药高光谱分类方法,其特征在于,所述S3中的编码器F的作用是为特征映射头E、预测映射头P提取特征;编码器F包括五个依次连接的特征提取单元,每个特征提取单元均包括相互连接的卷积层和最大池化层;

特征映射头E的作用是映射编码器F获得的特征来获得映射特征,特征映射头E为一个全连接层;

预测映射头P的作用是预测编码器F获得的特征,来获得预测向量,预测映射头P包括依次连接的全连接层、随机失活层以及分类层;

记忆存储模块MB用于存储有标签样本对应的有标签预测向量和有标签映射特征,以及无标签样本对应的无标签映射特征和无标签预测向量。

4.根据权利要求1所述的医药高光谱分类方法,其特征在于,所述S5使用公式表示具体如下:其中式(1)中,zi为一个子网络内一批数据中的第i个无标签样本的无标签映射特征;K表示记忆存储模块MB中所有有标签映射特征和/或无标签映射特征的总个数; 为记忆存储模块MB第k个位置存储的有标签映射特征或无标签映射特征;sik为无标签输出特征与记忆存储模块MB第k个位置存储的有标签映射特征或无标签映射特征的相似度;t表示温度系数;

式(2)中,pi为一批数据中的第i个无标签样本的无标签预测向量, 为记忆存储模块MB第k个位置存储的有标签预测向量或无标签预测向量,α为平滑系数;两个子模型分别命名为第一子模型和第二子模型,qi表示输入到第一子模型中的第i个伪标签。

5.根据权利要求4所述的医药高光谱分类方法,其特征在于,所述S6具体包含如下步骤:S61、判断两个记忆存储模块MB是否装满有标签映射特征和无标签映射特征,如果否,则进入S66,如果是,则利用S5中获得的伪标签qi和无标签预测向量pi构建互伪标签损失S62、对当前批次的两个伪标签集 和 内的伪标签进行内积,得到相似矩阵和不相似矩阵 矩阵大小均为B×B;

S63、利用当前批次的无标签映射特征构建两个映射特征集 和 利用两个映射特征集 和 内积的方式求解大小为B×B的特征相似矩阵S64、通过计算相似矩阵 和特征相似矩阵 之间的交叉熵以及不相似矩阵 和特征相似矩阵 之间的交叉熵来组建相互伪标签引导对比学习对比损失S65、利用有标签预测向量和有标签样本的真实标签构建监督损失 然后利用监督损失 互伪标签损失 以及相互伪标签引导对比学习对比损失 构建总损失,重复S3至S6,直至迭代次数达到设定次数,选取总损失最小的权重作为最终应用的子模型的权重,得到最终应用的子模型,S6结束;

S66、利用有标签预测向量和有标签样本的真实标签构建监督损失 监督损失即总损失,重复S3至S6,直至迭代次数达到设定次数,选取总损失最小的权重作为最终应用的子模型的权重,得到最终应用的子模型,S6结束。

6.根据权利要求5所述的医药高光谱分类方法,其特征在于,所述S61中的互伪标签损失 具体如下:qi为另一个子网络利用第i个无标签样为当前子模型生成的伪标签,即子网络之间互相提供伪标签,B表示S4中输入到两个子模型的无标签样本或者有标签样本的数量,输入的无标签样本和有标签样本的数量比例为1:1,总输入的数量为2B。

7.根据权利要求5所述的医药高光谱分类方法,其特征在于,所述S62中的相似矩阵和不相似矩阵 分别如下:其中,q′j表示输入到第二子模型的第j个伪标签;

所述S63中的特征相似矩阵 具体如下:

其中z′j表示输入到第二子模型的第j个无标签映射特征。

8.根据权利要求5所述的医药高光谱分类方法,其特征在于,所述S64中的相互伪标签引导对比学习对比损失 具体如下:其中H()表示交叉熵损失函数。

9.根据权利要求5所述的医药高光谱分类方法,其特征在于,所述S65中的总损失具体如下:其中,λmut和λsdc分别为互伪标签损失 的加权系数和相互伪标签引导对比学习对比损失 的加权系数。

10.根据权利要求5至9任一项所述的医药高光谱分类方法,其特征在于,所述S65以及S66中设定的迭代次数均为20~100次。