一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法

本发明涉及遥感影像应用，具体涉及一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法。

背景技术：

1、现如今随着遥感技术和深度学习技术的发展，高光谱图像分类的准确性得到极大的提升，但各种问题和缺陷也随之而来，目前现有技术主要存在以下不足：

2、1.标记样本有限：高光谱标注样本需要通过人工构建，不仅代价高昂，而且缺乏专业的标注工具，这使得获取大量的高光谱标注样本变得困难；其次，深度学习算法在训练参数时严格依赖标注样本，例如3dcnn,ssrn这些深度学习算法，如果在样本稀缺的情况下，网络容易产生过拟合问题，这可能严重制约所设计模型的潜力和实际应用效果。

3、2.域质分异性，模型泛化难：不同区域或季节拍摄的高光谱影像往往在空间光谱结构和数据分布上存在显著差异，导致已训练的模型难以在不同的场域中实现良好的泛化效果，比如，当将模型应用于目标域与源域有较大差异的情况下，结果可能会不如人意，这种域之间的分歧严重限制了高光谱影像分类分析应用的广度和深度。

4、因此，需要一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，以解决上述问题。

技术实现思路

1、本发明的目的在于提供一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，以解决上述背景技术中提出的现有技术中存在的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，包括以下步骤：

4、s1：准备chikusei和the university of pavia(up)两个数据集，选择chikusei作为源域数据集，选择the university of pavia(up)作为目标域数据集；

5、s2：将源域数据集和目标域数据集分别向映射块输入维度9x9xch1和9x9xch2的高光谱立方体，其中ch1，ch2分别为高光谱数据集的光谱波段，共同变成结果为9x9x100的ms和mt；

6、s3：将维度变成9x9x100的高光谱立方体分别输入各自的sprm模块，经过sprm模块的hsi立方体维度不变，还是9x9x100，结果分别为ss和st；

7、s4：将源域的ss和st交替输入到特征提取网络f中，分别得到源域特征fs和ft；

8、s5：对源域特征fs和ft进行类别级对比学习，旨在衡量输入小样本任务中嵌入空间内各个patch之间的对比关系，遵循监督式对比学习的方法，生成源域或目标域的对比损失函数lcon；

9、s6：利用mdda模块对源域和目标域进行处理，得到随机多线性映射的结果，将该结果作为域判别器的输入，预测输入是目标域数据还是源域数据，最终实现对跨域小样本高光谱图像的分类。

10、优选的，所述特征提取网络f由四个三维残差块和一个三维卷积组成，每个残差块都与3-d max pooling layer连接。

11、优选的，所述mdda模块分成mddas和mddat两个部分，mddas负责接收来自源域的支撑集和查询集特征，以及目标域特征，生成源域的小样本交叉熵损失lsfsl；

12、mddat负责接收来自目标域的支撑集和查询集特征，以及源域特征，生成目标域的小样本交叉熵损失ltfsl。

13、优选的，所述域判别器由五个完全连接的层组成，除最后一层外，每个全连接层后面都添加relu非线性激活函数和dropout层。

14、优选的，所述残差块与se注意力合并。

15、与现有技术相比，本发明的有益效果是：

16、1、本发明通过采用元学习的episode训练策略，在源域数据集中对模型进行训练，使其掌握一定的学习能力和分类经验知识，随后将源域中提取的丰富知识有效地迁移到目标域分类任务中，以解决目标域中标记样本稀缺的难题，这种跨域小样本学习方法在目标域样本非常有限的情况下，例如只有几十到几百个样本，仍然能够实现超越全监督分类的精度，展现出其强大的泛化能力和实用价值。

17、2、本发明利用域鉴别器处理域级分布差异，利用对比学习方法捕获类级样本关系，提出了一种基于马氏距离的分类器直接部署在源域和目标域中驱动的对抗性域适应方法，学习各自集合级的样本关系，此外引入sprm模块和残差se注意力模块提升特征提取效果。

技术特征：

1.一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，其特征在于：所述特征提取网络f由四个三维残差块和一个三维卷积组成，每个残差块都与3-d max pooling layer连接。

3.根据权利要求1所述的一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，其特征在于：所述mdda模块分成mddas和mddat两个部分，mddas负责接收来自源域的支撑集和查询集特征，以及目标域特征，生成源域的小样本交叉熵损失lsfsl；

4.根据权利要求1所述的一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，其特征在于：所述域判别器由五个完全连接的层组成，除最后一层外，每个全连接层后面都添加relu非线性激活函数和dropout层。

5.根据权利要求2所述的一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，其特征在于：所述残差块与se注意力合并。

技术总结本发明公开了一种基于对比学习和马氏距离域适应的小样本高光谱图像分类方法，涉及遥感影像应用技术领域，包括以下步骤：S1：准备Chikusei和the University of Pavia(UP)两个数据集，选择Chikusei作为源域数据集，选择the University of Pavia(UP)作为目标域数据集；S2：将源域数据集和目标域数据集分别向映射块输入维度9x9xch1和9x9xch2的高光谱立方体，本发明通过采用元学习的episode训练策略，在源域数据集中对模型进行训练，使其掌握一定的学习能力和分类经验知识，随后将源域中提取的丰富知识有效地迁移到目标域分类任务中，以解决目标域中标记样本稀缺的难题，在目标域样本非常有限的情况下，例如只有几十到几百个样本，仍然能够实现超越全监督分类的精度，展现出其强大的泛化能力和实用价值。技术研发人员：李虎,裴敏敏,陈冬花,甄启航,程亮受保护的技术使用者：安徽师范大学技术研发日：技术公布日：2024/9/2