公开(公告)号：CN109858557B

公开(公告)日：2022-12-27

申请号：CN201910113156.3

申请日：2019-02-13

Applicant: 安徽大学

Inventor： 阎庆 ,  张凯琳 ,  丁云 ,  张晶晶 ,  寻丽娜

IPC: G06V10/774 ,  G06V10/762 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明公开了一种新的高光谱图像数据半监督分类算法，该方法为，首先获取到所有的高光谱数据，并将其作为初始数据；其次使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据，并获取所有初始数据的伪标签；其次在CNN1中对所有的初始数据及其伪标签进行预训练；对于CNN1中分类层中的目标函数，提出了基于度量学习的新的目标函数；之后利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；之后将带标签的数据以及它们的已知真实标签对CNN2进行微调。本发明是通过利用伪标签进行高光谱图像分类的半监督深度学习机制；用两段式训练，扩展了训练信息；为了更好的掌握高光谱样本结构特征的问题，在预训练阶段提出了新的目标函数。

公开(公告)号：CN109858557A

公开(公告)日：2019-06-07

申请号：CN201910113156.3

申请日：2019-02-13

Applicant: 安徽大学

Inventor： 阎庆 ,  张凯琳 ,  丁云 ,  张晶晶 ,  寻丽娜

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种新的高光谱图像数据半监督分类算法，该方法为，首先获取到所有的高光谱数据，并将其作为初始数据；其次使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据，并获取所有初始数据的伪标签；其次在CNN1中对所有的初始数据及其伪标签进行预训练；对于CNN1中分类层中的目标函数，提出了基于度量学习的新的目标函数；之后利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；之后将带标签的数据以及它们的已知真实标签对CNN2进行微调。本发明是通过利用伪标签进行高光谱图像分类的半监督深度学习机制；用两段式训练，扩展了训练信息；为了更好的掌握高光谱样本结构特征的问题，在预训练阶段提出了新的目标函数。