CN115147742B 基于3d深度卷积神经网络的小样本高光谱图像分类方法 （西安理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115147742B(45)授权公告日2025.07.08

(21)申请号202210778135.5

(22)申请日2022.06.29

(65)同一申请的已公布的文献号申请公布号CN115147742A

(43)申请公布日2022.10.04

(73)专利权人西安理工大学

地址710048陕西省西安市碑林区金花南

路5号

(72)发明人王文卿尚卓刘涵梁莉莉

(74)专利代理机构西安弘理专利事务所61214专利代理师王敏强

GO6V10/52(2022.01)

GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/0895(2023.01)

(56)对比文件

CN111191736A,2020.05.22

尚卓.基于3DCNN的高光谱遥感图像分类方法及可解释性研究.《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》.2024,(第2024/03期),C028-216.

审查员刘珂菡

权利要求书2页说明书10页附图3页

(51)Int.CI.

GO6V

GO6VGO6V

20/13(2022.01) 10/764(2022.01)10/58(2022.01)

(54)发明名称

基于3D深度卷积神经网络的小样本高光谱图像分类方法

(57)摘要

CN115147742B本发明公开了一种基于3D深度卷积神经网络的小样本高光谱图像分类方法，首先将高光谱数据作为一个整体输入，划分数据为训练集train以及测试集test;然后构建3DCNN的深度学习网络模型，确定各层卷积核的大小、卷积核的个数、全连接层的个数，确定损失函数及其超参数；将高光谱数据的训练集train输入到3DCNN的深度学习网络模型中，实现特征提取；将提取到的特征，输入到分类器中学习特征，训练参数，确定网络模型；最后对测试样本测试，实现对高光谱数据每个像素点的分类。本发明通过构建3D

CN115147742B

输入高光谱数据

输入高光谱数据

对像素点取邻域块

构建深度神经网络

训练深度神经网络

利用训练好的网络对测试数据分类预测

分类结果评价

CN115147742B权利要求书1/2页

2

1.基于3D深度卷积神经网络的小样本高光谱图像分类方法，其特征在于，具体按照以下步骤实施：

步骤1、将高光谱数据作为一个整体输入，划分数据为训练集train以及测试集test;

步骤2、构建3DCNN的深度学习网络模型，确定各层卷积核的大小、卷积核的个数、全连接层的个数，确定损失函数及其超参数；

构建3DCNN网络结构模型，具体如下：

3DCNN网络模型一共有6层，其中有三个多尺度卷积层，一个联合处理空谱信息的卷积层，两个全连接层；

步骤2.1、对于第一个多尺度卷积层，在空间维度上使用小卷积核，在光谱维度上采用大卷积核，核大小分别为11*3*3,7*2*2,5*1*1,其对应的卷积步长stride分别为(1,1,1),(1,2,2),(1,1,1),卷积填充块padding(5,1,1),(3,3,3),(2,0,0);

步骤2.2、对于第二个多尺度卷积层，只对空间信息进行处理，使用1*n?*n?的卷积核，其中n?取值为：1,2,3,即卷积核分别为1*3*3,1*2*2,1*1*1,对应的卷积步长stride分别为(1,1,1),(1,2,2),(1,1,1),卷积填充块padding(0,1,1),(0,3,3),(0,0,0);

步骤2.3、对于第三个多尺度卷积层，对其光谱信息进行处理，使用n?*1*1的卷积核，其中n?的三个取值为：11,7,5;卷积核分别为11*1*1,7*1*1,5*1*1,对应的卷积步长stride分别为(1,1,1),(1,1,1),(1,1,1),卷积填充块padding(5,0,0),(3,0,0),(5,0,0);

步骤2.4、设置一个联合处理空谱信息的卷积层，卷积层大小为：(3,2,2),卷积步长stride为(1,1,1),卷积填充块padding为(1,0,0),随后接入到池化层中，降维，池化层卷积核为(3,2,2),stride卷积步长为(1,1,1),卷积填充块paddin