[发明专利]用于高光谱图像分类的多方向信息传播卷积神经网络构建方法

权利要求书

1.一种用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，其特征在于，包括如下步骤：

输入层为以目标像素为中心的三维空谱数据，即网络的输入数据为具有数百个光谱带的三维邻域像素块，记为三维邻域像素块，l为三维邻域像素块的高和宽，b则为三维邻域像素块的光谱通道数；

构建多方向信息传播卷积神经网络，多方向信息传播卷积神经网络由隐层单元之间的二维卷积多层感知机、隐层单元内部的二维卷积感知机、池化层和全连接层构成；隐层单元之间的二维卷积多层感知机和隐层单元内部的二维卷积感知机的构造形式如下：

1)设隐层单元的输入为输出为隐层单元之间的二维卷积多层感知机采用m个1×1的二维卷积核对光谱维进行卷积变换，其输出为m是输入、输出的通道数，m1且为整数；

2)隐层单元内部的二维卷积感知机是对二维卷积后得到的特征图在行方向或者列方向进行分片，得到l片大小为l×m特征片，再按照上下左右四个方向依次对每一片特征片进行二维卷积，卷积核大小为w×m，其中0w≤l且为整数，卷积核个数为m，采取相同填充方式保持卷积后的结果与原始特征片大小一致，将大小为l×m的卷积结果与下一个特征片线性相加，得到更新后的特征片，再对更新的特征片应用二维卷积，得到的卷积结果用于更新下一片，重复上述操作，直至最后一片被更新，具体实施的计算公式如下：

(f₁,f₂,……,f_l)＝split(T)

O＝CON(f₁,f₂′,……,f_l′)

其中，表示卷积运算，h_i表示二维卷积层中的第i个卷积核，BN(·)表示批归一化处理，σ表示非线性激活函数，split(·)表示将前一层输出的特征图按图像的行或者列方向进行分片操作运算，f_k是特征图分片后的第k个特征片，f′_k是更新后的第k个特征片，W_k-1是逐片卷积中第k-1片的卷积核，CON(·)表示将特征片重新拼接成特征图的运算；

采用批归一化、参数修正线性单元激活函数以及随机丢弃策略加速网络训练；

输出层为输入的光谱像素的类别概率向量，即该网络的输出为输入的三维邻域像素块的中心像素点的类别概率向量，用以确定该像素属于的类别，向量长度为类别总数。

2.根据权利要求1所述的用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，其特征在于，采用批归一化、参数修正线性单元激活函数以及随机丢弃加速网络训练，其中参数修正线性单元激活函数简写为PRelu(x_i)，计算公式定义为：

其中，x_i表示第i个通道上参数修正线性单元激活函数的输入，a_i是决定负数部分坡度的可学习参数；采用动量方法更新a_i：

其中，μ是动量，取值范围[0,1]；lr是网络的学习率，取值范围[0,0.0005]，迭代中a_i＝0.25作为初始值。

3.根据权利要求1所述的用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，其特征在于，输出层为输入的光谱像素的类别概率向量，即该网络的输出为输入的三维邻域像素块的中心像素点的类别概率向量，用以确定该像素属于的类别，向量长度为类别总数；记为网络输入的三维邻域像素块，目标像素可划分为C个不同类别，则网络的输出层为表示该像素属于各类别的概率；其中，Y表示为：

Y＝FC(P(O′))＝[y₁,y₂,……,y_C]

其中，y_C表示该像素属于第C类的概率，P(·)表示池化层处理，FC(·)表示全连接操作。