本发明提出了一种基于深度迁移学习的高光谱图像分类方法,主要解决现有技术在小样本训练条件下分类精度低的问题,其方案为:基于区域聚类的空间预处理方法对高光谱图像进行超像素分割得到超像素块;使用自编码网络提取超像素块特征;对超像素块特征进行谱聚类得到伪标签;使用伪标签对3DCNN网络进行训练得到预训练模型;构建融合网络,并将预训练模型参数迁移到该融合网络中,使用真实标签对其进行训练;使用训练好的融合模型对高光谱图像进行分类。本发明采用改进的高光谱像元聚类方式和迁移学习方法,既生成了高质量的伪标签,又提升了迁移后模型的效果,提高了高光谱图像的分类精度,可应用于灾害监测、地质勘探、城市规划、农业和考古。
声明:
“基于深度迁移学习的高光谱图像分类方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)