CN117011714B 基于伪标签辅助的高光谱图像分类方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN117011714B(45)授权公告日2025.07.01

(21)申请号202311004129.5

(22)申请日2023.08.10

(65)同一申请的已公布的文献号申请公布号CN117011714A

(43)申请公布日2023.11.07

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人冯志玺童仕林杨淑媛马悦

张心雨

(74)专利代理机构陕西电子工业专利中心

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/082(2023.01)

(56)对比文件

CN114723994A,2022.07.08CN115410088A,2022.11.29审查员傅重添

61205

专利代理师王品华

(51)Int.CI.

GO6V20/10(2022.01)

GO6V10/58(2022.01)权利要求书4页说明书11页附图3页

(54)发明名称

基于伪标签辅助的高光谱图像分类方法

(57)摘要

CN117011714B本发明公开了一种基于伪标签辅助的高光谱图像分类方法，主要解决现有技术对跨域高光谱图像分类准确率低的问题，其实现方案包括：获取并构建高光谱源域和目标域数据集；通过深度神经网络分别提取源域、目标域的特征图，并将其输入到两个结构相同的双分类器中获取各自的两个预测概率；利用源域和目标域的预测概率对深度神经网络和双分类器进行一次更新；利用源域和目标域特征图构建类感知最大均值差异损失函数，并通过最小化该损失函数对一次更新后的深度神经网络和双分类器进行二次更新；更新目标域样本，再将其输入到二次更新后的深度神经网络及双分类器中，获得最终的分类结

CN117011714B

标签传播

CN117011714B权利要求书1/4页

2

1.一种基于伪标签辅助的高光谱图像分类方法，其特征在于，包括如下步骤：

(1)从公开高光谱数据集中获取两个具有部分类别相同的数据集，将其中一个作为带真实标签的源域数据集SD,另一个作为不带真实标签的目标域数据集TD;

(2)将源域数据集SD和目标域数据集TD的样本分别输入到深度神经网络F中，获得该网络最后一层的源域输出特征图f?,目标域输出特征图f;

(3)将源域数据集SD输出特征图f?和目标域TD输出特征图f?分别输入到双分类器C?和C?中，获得源域SD样本的两个预测概率P3,P?,目标域TD样本的两个预测概率p1,P?;

(4)对深度神经网络F和双分类器C?和C进行一次更新：

4a)将源域SD样本的两个预测概率P,P2和目标域TD样本的两个预测概率p,p2输入到分类损失函数中，再将目标域TD样本的两个预测概率p,p2输入到分类器差异损失函数中，得到源域和目标域的分类损失函数Lc1s和差异损失函数Lta;

4b)通过优化两个损失函数Lc1s和L更新深度神经网络F和双分类器C?和C?,得到第一次更新后的深度神经网络F′和双分类器C?和C?;

(5)根据源域SD样本特征图f及其对应的真实标签y和目标域TD样本特征图f构建类感知最大均值差异损失函数L。,

其中δ(·)为指示函数，k为类别序号，n表示源域样本数，n表示源域样本数，如果y=k则δ(y?,k)=1,否则δ(y,k)=0,φ(·)是将源域和目标域进行转换的嵌入空间的层参数，f°为第i个源域样本的特征图，y为第i个源域样本的真实标签，f为第j个目标域样本的特征图，q是目标域TD样本的余弦相似类别，C为类别总数，H表示希尔伯特空间；

(6)对类感知最大均值差异损失函数L进行最小化，以对第一次更新后的深度神经网络F′和双分类