公开(公告)号：CN116935121B

公开(公告)日：2024-04-19

申请号：CN202310899005.1

申请日：2023-07-20

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  吴起慧 ,  孙悦恭 ,  于露 ,  许浩越 ,  谢委衡 ,  邵春锐 ,  冯聪 ,  王泽宁

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V20/10

Abstract: 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。

公开(公告)号：CN119006908A

公开(公告)日：2024-11-22

申请号：CN202411082610.0

申请日：2024-08-08

Applicant: 哈尔滨理工大学

Inventor： 吴起慧 ,  王雁冰 ,  李骜 ,  杨海陆 ,  程媛

IPC: G06V10/764 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的可反转双路卷积方法，属于光谱图像地物分类技术领域。本发明方法将一种独特的可反转双路卷积架构融入卷积神经网络模型中，实现了对源域与目标域数据的高效且低内存需求的深度特征提取能力。进一步地，为了缩小源域与目标域之间的特征差异，本发明构建了一种基于最大平均差异的损失函数，旨在对齐两域间的特征分布，从而增强模型对目标域数据的泛化能力。同时，针对双路径卷积神经网络，构建了预测损失函数，确保模型对源域样本保持高度的预测准确性和可靠性。通过将上述两种损失函数融合为总损失函数，并以此为指导，不断优化更新网络模型的参数。最终，当模型训练成熟后，将目标域数据送入训练好的网络模型中，以获得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，本发明方法相较于现有方法，计算效率更高，内存需求更低，同时分类性能也更有竞争力。

公开(公告)号：CN118781394A

公开(公告)日：2024-10-15

申请号：CN202410772151.2

申请日：2024-06-16

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  吴起慧 ,  叶海天 ,  许浩越

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种面向类别不对称跨域光谱图像的地物分类方法，属于光谱图像地物分类技术领域，本发明方法通过两个阶段的网络训练，实现了不同领域特征的有效对齐。第一阶段，预训练一个神经网络，并构建类别内聚损失函数与预测损失函数，旨在提取源域的类间关系，随后计算源域的类别中心，为后续步骤提供基础。第二阶段，训练一个主神经网络，针对源域和目标域共同拥有的对称类别，构建样本对齐损失函数与类别对齐损失函数，以确保两域之间的样本分布和类别中心相互对齐；针对源域存在而目标域缺失的不对称类别，通过构建特征对齐损失函数，使主神经网络提取的特征与预训练神经网络提取的特征相互对齐。最后将目标域测试集送入训练好的主神经网络中，从而获得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。

公开(公告)号：CN116935121A

公开(公告)日：2023-10-24

申请号：CN202310899005.1

申请日：2023-07-20

Applicant: 哈尔滨理工大学

Inventor： 李骜 ,  吴起慧 ,  孙悦恭 ,  于露 ,  许浩越 ,  谢委衡 ,  邵春锐 ,  冯聪 ,  王泽宁

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V20/10

Abstract: 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。