基于有限样本的高分五号高光谱数据分类方法研究

Limited labeled samples restrict the precise classification application of Gaofen-5’s hyperspectral data. In this research, we would develop a sample increase method and transfer learning techniques to realize hyperspectral image classification of Gaofen-5 satellite with limited labeled samples. First, considering Gaofen-5’s hyperspectral imaging characteristics, as at-sensor radiance varies with atmospheric and geometric conditions, we propose a sample generation method based on image simulation. Second, confronted with difficulties of transfer learning in hyperspectral image classification, we use dimension-reduced data as input, and through pooling layer removal and convolution method adaption, transferable convolutional neural network is proposed with less parameters and reduced model complexity. Third, since source data may have different distributions with Gaofen-5 hyperspectral data, multi-kernel maximum mean discrepancy is introduced to solve this problem. The research results of the project will provide technical support for the application of domestic hyperspectral data, as well as new models and methods for hyperspectral classification research.

有限的样本数量是制约高分五号高光谱数据精细化分类应用的主要问题之一。本项目拟采用样本增加和迁移学习作为解决途径，实现有限样本条件下的高分五号高光谱数据分类。首先，根据高五高光谱相机的载荷特点，利用同一地物的辐亮度随大气和观测条件变化的规律，提出基于图像模拟的样本增加方法。其次，针对已有卷积神经网络在高光谱数据分类的迁移学习困难，采用降维高光谱数据作为输入，通过池化层去除和卷积方式调整，形成参数减少和模型复杂度降低的可迁移卷积神经网络。最后，考虑源数据和高五高光谱数据可能存在的分布差异，在提出的网络中引入多核最大均值差异度量，实现不同数据分布条件下的自适应迁移学习。项目研究成果将为高分五号以及后续国产高光谱数据的精细分类提供技术支撑，还将为高光谱分类研究提供新的模型和方法支持。

本项目提出了基于迁移学习的高光谱数据分类训练架构与基于图像模拟的样本增加方法，用于提高和改善有限样本条件下的卫星高光谱数据分类效率和精度。首先，提出了和基于等间隔取波段的数据降维策略，统一了不同源高光谱数据输入训练网络的维度不一致问题。然后，开展面向降维数据的卷积神经网络架构设计与优化，设计了不包含池化层的轻量级卷积神经网络的基础单元，形成了参数减少和模型复杂度降低的可迁移卷积神经网络。最后，通过模拟计算不同大气状况和观测几何条件下的大气效应参数，生成相应成像条件下的高光谱模拟数据，从而提高高光谱分类可使用的样本数量。项目研究成果将为资源一号02D、02E等国产卫星高光谱数据的精细分类提供技术支撑，以及为高光谱分类研究提供新的模型和方法支持。