[发明专利]一种基于交替更新卷积神经网络的高光谱图像分类方法

权利要求书

1.一种基于交替更新卷积神经网络的高光谱分类方法，其特征在于，包括如下步骤：

步骤1，在大小为H×W、通道数为L的高光谱图像中以目标像素为中心提取原始数据块，并将该原始数据块作为交替更新卷积神经网络的交替更新谱间块的输入；

步骤2，采用交替更新谱间块的多层三维卷积层学习深度的谱间特征作为初始化阶段，并提取高光谱图像中多通道之间的精炼过的谱间特征作为循环阶段，

其中，在初始化阶段时，每个卷积层的输入是所有前卷积层的输出，在循环阶段时，除输入卷积层之外，每个卷积层由同一环次循环中的先前卷积层和上一次循环中的后需卷积层交替更新；

步骤3，采用降维层连接所述交替更新谱间块和交替更新空间块，对所述谱间特征进行压缩，得到压缩特征；

步骤4，采用所述交替更新空间块的三维卷积层对所述压缩特征进行学习，并利用与所述交替更新谱间块相同的交替更新的结构提取所述高光谱图像中空间域上的精练过的空间特征；

步骤5，将精练过的所述谱间特征和精练过的所述空间特征通过池化层、压缩层以及全连接层，得到1×1×C的预测标量，该预测标量为预测值，C为待分类的类别数；

步骤6，将在交叉熵损失函数的基础上加上中心损失函数和最小平方损失函数后得到的函数作为优化目标函数；

步骤7，采用所述优化目标函数计算所述预测值与人为标注的分类结果即实际值之间的损失，得到迭代训练的损失；

步骤8，根据迭代训练的损失，对待优化的模型参数通过反向传播的方法进行多次优化，得到迭代训练的损失最小时的预测值，而后将未知高光谱数据输入训练完的模型，即得到高光谱图像的分类结果。

2.根据权利要求1所述的基于交替更新卷积神经网络的高光谱图像分类方法，其特征在于：

其中，所述步骤1中，原始数据块为大小为s×s×L和数量n的特征图，记为X₀¹，下标0表示交替更新谱间块的起始位置的特征图，上标1表示整个网络的交替更新谱间块中的特征图。

3.根据权利要求1所述的基于交替更新卷积神经网络的高光谱图像分类方法，其特征在于：

其中，所述步骤2中，交替更新谱间块的三维卷积层的卷积核的大小为1×1×m，数量为k。

4.根据权利要求1所述的基于交替更新卷积神经网络的高光谱图像分类方法，其特征在于：

其中，所述步骤4中，交替更新空间块的三维卷积层具有两个不同的卷积核，两个卷积核的大小分别为a×1×1和1×a×1，数量均为k。

5.根据权利要求1所述的基于交替更新卷积神经网络的高光谱图像分类方法，其特征在于：

其中，所述步骤6中的所述交叉熵损失函数为：

所述中心损失函数为：

所述最小平方损失函数为：

所述目标函数为：

式(1)-式(4)中，m是批处理的数量，n是待分类的类数，x_i是属于y_i^th类的第i^th个深特征，i为m个样本中第i个样本，y_i是指第i个样本的分类结果，即模型的输出，W_j是最后一个完全连接的层中的权重W的第j列，b是偏置项，λ₁和λ₂分别控制中心损失和L2损失的比例，λ₁∈[0,1)，λ₂∈[0,1)。