[发明专利]一种半监督小样本深度学习图像模式分类识别方法

说明书

本发明涉及一种半监督小样本深度学习图像模式分类识别方法，属于图像识别领域。该方法包括步骤：S1：对图像样本进行预处理；S2：将预处理得到的数据输入训练好的网络中，网络通过3D卷积层进行特征提取，得到特征图层；S3：每个卷积层后接一个池化层，用于缩小特征图层的大小以减少网络中参数的数目；S4：将经过多层卷积层和池化层提取后的特征与一个全连接层相连，以提取和重新排列需要分类的特征；该层引入局部保邻的正则化操作；S5：输入待测样本，得到分类准确度。本发明利用了大量采集的无标签样本之间的位置相关性，提高了算法在小样本集合下的适用性与准确度。

技术领域

本发明属于图像识别领域，涉及一种半监督小样本深度学习图像模式分类识别方法。

背景技术

在标签样本数量足够的情况下，通过建立层次化的模型，深度学习方法可以自适应提取图像的特征，进而显著提高模式分类识别的准确度。深度卷积神经网络(CNN)在部分遥感图像数据集上的准确度达到95％～99％。YushiChen2016年发表在TGRS上的文章提出了一种基于3D卷积神经网络(3DCNN)的特征提取模型，实现了98％以上的分类准确率。但是由于模型参数规模庞大，对用于训练是标签样本数量要求较高。

CNN等监督(需要标签训练样本)的深度学习模型参数规模庞大，需要大量标签样本进行训练以提高分类准确率。但在某些领域，由于样本采集困难、标签分析代价大等原因，基于深度学习的模式分类识别方法面临标签样本缺乏的困难。目前基于深度学习方法的高光谱图像处理普遍使用每类别10³～10⁴个标签进行训练才能达到最优性能，这远超过矿物识别等实际应用中能够提供的标签样本规模。

发明内容

有鉴于此，本发明的目的在于提供一种半监督小样本深度学习图像模式分类识别方法，结合无监督(无需标签训练样本)模式识别方法，在3DCNN基础上利用大量得到的无标签样本数据，降低深度学习方法对标签样本的依赖性，提高基于深度学习的模式分类识别准确度。

为达到上述目的，本发明提供如下技术方案：

一种半监督小样本深度学习图像模式分类识别方法，包括以下步骤：

S1：对图像样本进行预处理；

S2：将预处理得到的数据输入训练好的网络中，网络通过3D卷积层进行特征提取，得到特征图层；

S3：每个卷积层后接一个池化层，用于缩小特征图层的大小以减少网络中参数的数目；

S4：将经过多层卷积层和池化层提取后的特征与一个全连接层相连，以提取和重新排列需要分类的特征；该层引入局部保邻的正则化操作，减小了相邻样本的特征差异，从而减小了由缺少标签样本而引起的分类准确度下降；

S5：输入待测样本，得到分类准确度。

进一步，所述S1具体为：选取数量A的目标像素点及对应的标签作为训练样本，将每个目标像素点周围数量A的像素点构成一个邻域矩阵，包括目标像素点在内；将所有目标像素点的标签、邻域矩阵作为3D卷积神经网络(Convolutional Neural Networ,CNN)的输入数据。

进一步，所述S2具体算法为：

其中表示第i层的第j个特征图层上位于(x,y,z)的神经元输出值，m表示i-1层与第j个特征图层所连接的特征图层的索引值，P_i、Q_i、R_i分别表示第i层的卷积核的高、宽、深度，为第m个特征图层上与位于(p,q,r)点的值，b_ij为第j个特征图层的偏置，g()为激活函数。

进一步，所述S3具体算法为：