申请/专利权人：哈尔滨理工大学

申请日：2023-07-20

公开（公告）日：2024-04-19

公开（公告）号：CN116935121B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明公开了一种面向跨地域光谱图像地物分类的双驱动特征学习方法，属于光谱图像地物分类技术领域，该方法构建基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，共同驱动源域和目标域数据的投影特征子空间相互对齐，不仅优化了高光谱跨地域对齐能力，还提高了模型鲁棒性；构建了判别信息约束项，提高了投影特征子空间的领域判别性。最后采用交替方向乘子算法，通过交替优化策略求解目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。

主权项：1.面向跨地域光谱图像地物分类的双驱动特征学习方法，其特征在于，包括步骤：将光谱图像数据集分成源域数据集和目标域数据集，源域数据为某一地域位置采集的有地物类别标签的光谱数据样本，目标域数据为另一不同地域位置采集的没有地物类别标签的待分类光谱数据样本；定义关于投影特征子空间学习模型的目标函数，该目标函数中包含两种驱动形式的特征对项，分别是基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，上述两个对齐项共同驱动源域和目标域数据的投影特征子空间相互对齐；所述目标函数中的基于统计分布驱动的域特征对齐项的表达式如下： 其中λ1、λ2为平衡参数，和分别表示源域子空间和目标域的投影子空间，d表示源域数据和目标域数据的维度，k为通过主成分分析获得的特征向量；为边缘分布约束，ns和nt分别为源样本和目标样本的数量，和分别表示源域的第i个光谱数据样本和目标域的第j个光谱数据样本，为条件分布约束，其中c为样本类别数，和分别为源域和目标域数据集中第l类样本的数量；为源域和目标域投影子空间的关联约束项，通过联合对齐约束模型，能够从统计分布驱动的角度迫使源域和目标域数据的投影特征子空间具有相近的分布特性，达到提高目标域数据在源域数据所训分类器中的分类准确性的目的；所述目标函数中的基于模型驱动的域特征对齐项的表达式如下： 其中，λ3～λ6为平衡参数，分别为源域和目标域的重构系数矩阵，和分别表示源域和目标域的光谱数据集合，通过上述模型驱动的域特征对齐项，能够使得源域数据和目标域数据在投影子空间的特征能够交互的线性重构，进一步从线性表示模型驱动的角度迫使数据投影特征具有相近分布特性；为提高投影特征子空间的领域判别性，将数据重构引入目标函数作为判别信息约束项，将其重新拟定为如下的形式： 其中其中表示两个正交重构矩阵，判别性约束项能够有效的保持源域和目标域数据在投影后保留各自领域的判别性信息；最后利用交替方向乘子算法，通过交替优化策略求解重新拟定的目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 面向跨地域光谱图像地物分类的双驱动特征学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD