基于深度学习的小样本高光谱图像分类方法

Small samples hyperspectral image (HSI) classification is one of the difficult problems in the field of HSI processing. The following problems often exist in deep learning based small samples HSI classification: small samples cannot guarantee completeness of samples, the neural network structure determined via experience is not suitable for small samples classification, small samples leads to inadequate network learning, which influence the small samples classification result seriously. In order to overcome the above problems and enhance the classification accuracy, the project creatively proposed a set of small samples HSI classification methods based on deep learning. The research content of this project mainly includes: (1) The core samples adaptive generation model; (2) The adaptive neural network model; (3) The joint neural network model combining the unsupervised clustering and transfer learning method; (4) The joint neural network model combing the core samples adaptive generation model and adaptive neural network, which can enhance the classification result. The research of this project can be used in remote sensing data classification, which can also be widely used in natural image processing, medical image processing, speech processing, natural language processing and other fields with small samples, and further develops new ideas for the processing of small samples classification.

小样本高光谱图像分类是高光谱图像处理领域的研究难点之一。基于深度学习的小样本高光谱图像分类任务中，往往存在以下问题：小样本无法保证样本完备性、人为设定网络结构不适合小样本分类、小样本导致网络学习不充分，严重影响着分类效果。为了避免上述问题对小样本高光谱图像的分类影响，提高分类准确率，本项目创造性地提出了一套基于深度学习的小样本高光谱图像分类方法，研究内容主要包括：(1)核心样本自适应生成模型；(2)自适应神经网络模型；(3)无监督聚类与迁移学习联合网络模型；(4)联合样本自适应生成、网络结构自适应的神经网络模型。本项目的研究既可以用于遥感数据分类，也可以广泛应用于自然图像处理、医学图像处理、语音处理以及自然语言处理等领域，进一步为处理小样本分类问题开拓新思路。

高光谱图像分类是遥感影像分析领域的一个重要任务之一，由于深度学习在处理高光谱图像分类任务中，通常需要一定的已标注样本进行模型训练，然而，人工标注费时费力，并且需要大量的专业知识，因此，标注样本量少，这就产生了基于深度学习的小样本高光谱图像分类问题。.为了解决基于深度学习的小样本高光谱图像分类中存在的小样本无法保证样本完备性、人为设定网络结构不适合小样本分类、小样本导致网络学习不充分，影响分类效果的问题，本项目针对上述关键问题做出了深入研究，按计划构造了核心样本自适应生成模型；自适应神经网络模型；基于无监督聚类与迁移学习的卷积神经网络联合训练模型；联合核心样本自适应生成与自适应卷积神经网络的小样本高光谱图像分类模型，并将这些方法应用于小样本高光谱图像分类任务中。在理论创新方面，提出了一系列的新思想、新方法，在国内外主流学术期刊和会议上发表学术论文10余篇，包括国际期刊论文6篇，其中，遥感领域国际著名期刊Remote Sensing（SCI 二区）论文3篇，SCI 三区期刊Applied Sciences论文 1篇以及SCI 三区期刊Mathematics论文1篇，EI索引国际期刊Information论文1篇；EI索引国际会议论文5篇（IGARSS论文 3篇，ICME 论文1篇以及AIPR 论文1篇）。在关键技术方面，已申请国家发明专利4项。项目组共培养硕士生7名。.在基金的资助下多次邀请国内外同行专家以线上、线下形式来校交流，项目组成员也通过线上、线下参加了一些国际国内会议，就本项目与同行专家进行讨论与交流，给项目组成员扩充了思路激发了学术热情，为项目组的深入研究与顺利完成打下了基础。项目组成功协助举办了2021 IEEE/ACIS ICIS国际会议，提升了项目组在该领域的知名度。研究成果为小样本高光谱图像分类提供新方法，并且为小样本分类任务提供新思路。