(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211047569.4 (22)申请日 2022.08.29 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 王爱丽　丁姗姗　赵妍　刘和　 刘城洋　 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/17(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 结合空谱域自适应与集成学习的高光谱图 像分类方法 (57)摘要 本发明公开了一种结合空谱域自适应与集 成学习的高光谱图像分类方法， 属于图像分类技 术领域。 该方法依次执行输入源域中有标记数 据、 目标域中无标记数据和少量有标记数据， 通 过空谱注意力模型对源域和目标域进行特征提 取， 其中空谱注意力模型引入了大核注意力 (LKA)， 可以利用图像的局部结构信息、 捕获长距 离依赖并且具有空间维度和光谱维度的适应性； 然后将特征提取后的数据输入鉴别器并对源域 数据聚类以形成聚类中心， 再将目标域数据向各 类聚类中心迭代映射； 最后通过XGBoost进行分 类来缓解模型计算速度慢和单分类器可信度低 的问题， 有效地提升了高光谱图像地物分类的准 确度， 为跨场景高光谱图像分类的后续研究以及 相关应用提供新的参 考思路。 权利要求书3页 说明书9页 附图6页 CN 115393719 A 2022.11.25 CN 115393719 A 1.结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 包括以下步骤： 步骤a、 输入待分类的高光谱数据集； 步骤b、 对输入的高光谱数据 集进行划分： 源域数据 集命名为S(Source)， 目标域数据 集 命名为T(Target)； 步骤c、 在源域数据集中选取训练集， 在目标域数据集中选取不相交的有标签训练集和 无标签训练集； 步骤d、 将源域训练集和目标域无标签训练集分别输入到源域特征提取器(Source   Extractor， SE)和目标域特征提取器(Target  Extractor， TE)中， 进行特征提取， 其中源域 特征提取器和目标域特 征提取器均采用空谱注意力模型 结构； 步骤e、 将特征提取后的数据送入鉴别器中， 利用鉴别器区分源域与目标域数据， 通过 鉴别器与目标域特征提取器(生成器)互相对抗， 不断博弈来提高目标域特征提取器的特征 迁移能力； 步骤f、 将有少量标签的目标域样本输入到目标域特征提取器中， 使目标域特征提取器 学习目标域数据的真实分布； 步骤g、 将源域和目标域数据映射到同一个公共域空间， 利用源域数据的聚类 中心对目 标域数据进行聚类； 步骤h、 利用XGBo ost集成分类 器对提取后的特 征进行分类， 获得最终的分类结果。 2.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 步骤c具体包括以下步骤： 步骤c1、 在源域数据集中， 每个类随机选取180个尺寸为5 ×5×ch的源域样本， ch为光 谱波段， 保留标签作为源域训练集， 命名为带标签的源域数据SLS(Source  labeled   samples)； 步骤c2、 在目标域数据 集中， 每个类随机选取20个尺寸为5 ×5×ch的目标域样本， 保留 标签作为目标域有标签训练集， 命名为带标签的目标域数据TLS(Target  labeled   samples)； 步骤c3、 在目标域数据集中， 每个类随机选取200个尺寸为5 ×5×ch的目标域样本， 去 除标签后作为目标域无标签训练集， 命名为不带标签的目标域数据TUS(Target  unlabeled   samples)。 3.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 步骤d具体包括以下步骤： 步骤d1、 将源域训练集与目标域无 标签训练集送入深度超参数模型后进行平均池化； 步骤d2、 将d1处 理后的数据输入大核注意力模型(LKA)， 然后利用全连接展平数据。 4.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 步骤e 具体包括以下步骤： 步骤e1、 构建全连接层 ‑ReLU激活函数 ‑全连接层 ‑ReLU激活函数 ‑全连接层 ‑Softmax激 活函数结构的鉴别器， 第一层输入 数据尺寸为 1×128、 第二层和第三层输入数据 尺寸为1× 64， 第四层 及输出数据尺寸 为1×2。 步骤e2、 空谱注意力模型 特征迁移能力地 提高通过优化损失函数实现， 公式如下：权　利　要　求　书 1/3 页 2 CN 115393719 A 2其中， 为目标域无标签训练样本TUS， α为目标域特征提取器的参数， β 是鉴别器的参 数， SLS是源域训练样本， SE( ·)为源域特征提取器， TE( ·)为目标域特征提取器。 Dβ(·)是 对抗学习中的鉴别器， 用以区分输入特 征是来自源域还是目标域。 5.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 在步骤f中， 用目标域有标签训练集对步骤e训练完 毕的空谱注意力模型进 行调整， 使得空谱注意力模型能够进一步学习目标域样本的条件概率分布。 该层以均方误差作为损 失函数， 其优化公式为： 其中， 为目标域有少量标签的样本TLS， χ是训练数据 集， y是标 签集。 6.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 步骤g具体包括以下步骤： 步骤g1、 使源域有标签数据经过空谱注意力模型映射到一个公共域空间， 取平均值得 到源域的聚类中心； 步骤g2、 将 目标域无标签数据同样映射到同一个公共域空间， 并在公共域空间利用源 域的聚类中心对目标数据进行聚类， 为了能够尽可能缩小公共域空间中源域和目标域的分 布差异， 引入映射聚类损失， 用来衡量公共域空间内同类样本的聚集程度。 通过迭代映射， 优化聚类损失， 使源域和目标域的聚类中心距离不断减小， 全部类别的映射聚类损失优化 公式为： 其中， Ck表示第k类样本的聚类中心， 其值为第k类样本的均值。 减小映射聚类损失有助 于目标域样本在公共域空间内的分类。 7.根据权利要求1所述的结合空谱域自适应与集成学习的高光谱图像分类方法， 其特 征在于， 步骤h具体包括以下步骤： 步骤h1、 定义目标函数为： 其中， n为样本数， yi为第i个样本的标签， 是第i个样本的预测值， 用来计算样 本损失， K表示树的个数， fk表示第k棵树， 其公式是将样本映射到叶子节点， Ω用来衡量模 型的复杂度。 步骤h2、 初始化每 个样本的预测值； 步骤h3、 计算损失函数对于每 个样本预测值的导数； 步骤h4、 根据导数信息建立 一棵新的决策树； 步骤h5、 利用新的决策树预测样本值， 拟合上一棵树与真实值的残差；权　利　要　求　书 2/3 页 3 CN 115393719 A 3