(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211235431.7 (22)申请日 2022.10.10 (71)申请人 中国矿业大 学 地址 221116 江苏省徐州市大 学路1号中国 矿业大学科研院 (72)发明人 程玉虎　陈杨　王雪松　孔毅　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 吴旭 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于虚拟分类器的高光谱图像领域自 适应方法 (57)摘要 本发明公开了一种基于虚拟分类器的高光 谱图像领域自适应方法， 其用于无监督高光谱图 像分类任务。 首先， 通过基于空 ‑谱近邻图的图卷 积网络来提取高光谱图像的领域不变特征； 然 后， 构建一个基于特征相似性度量的虚拟分类器 来输出目标域样本的类别概率； 此外， 通过最小 化真实和虚拟分类器之间的分 歧， 以使不同领域 但具有相似特征的像素被分为同一个类别； 最 后， 通过构造一个软原型对比损失并将其最小 化， 以对齐不同领域特征相似的样 本且使不相似 的样本互相远 离。 权利要求书3页 说明书9页 附图1页 CN 115410088 A 2022.11.29 CN 115410088 A 1.一种基于虚拟分类 器的高光谱图像领域自适应方法， 其特 征在于， 包括如下步骤： 步骤1： 利用高光谱图像的光谱向量和空间坐标构建空 ‑谱近邻图， 并将光谱向量和空 ‑ 谱近邻图联合输入到图卷积网络中， 从而得到高光谱图像的高层特征， 所述高层特征包括 源域高层特 征和目标域高层特 征； 步骤2： 构建一个基于特征相似性度量的虚拟分类器来输出目标域样本的类别概率， 通 过最小化真实和虚拟分类器的确定性差异损失来增强真实和虚拟分类器的预测一致性， 以 使不同领域但具有相似特 征的像素被分为同一个 类别； 步骤3： 为目标域样本的正负样本分配置信系数， 构造一个软原型对比损失并将其最小 化， 以对齐不同领域特 征相似的样本且使不相似的样本互相远离； 步骤4： 通过 领域对抗策略减少两个领域的整体分布差异。 2.根据权利要求1所述的基于虚拟分类器的高光谱图像领域自适应方法， 其特征在于： 所述步骤1中 ， 给定源域高光谱图像 及其对应空间坐标 其中， 为第i个源域样本， 和 分别为第i个源域样本的横纵坐 标， n(S)为源域样本总数， b为特征维度； 定义一个无 向图G(S)＝(V(S)， A(S))， 其中V(S)为节点 的集合， 每个节点 表示一个像 素的特 征向量； 为一个对称且稀疏的近邻矩阵， 其矩阵元素 表示连接节点 和 的边的权重； 定 义度矩阵 其中 为第i行近邻矩阵 A(S)的和； 每个节点选择与之相 似度最大的k个节点作为其近邻， 并用高斯核函数来度量节 点之间的相似度， 则 被定义为： 式中， 为 近邻点的集合， σ 为高斯核函数 的带宽， dist( ·，·)为距离度量函 数， 此处采用空 ‑谱距离 表示为： 式 中 ， 为 两 个 节 点 的 光 谱 向 量 之 间 的 欧 式 距 离 ， 为两个节点的空间坐标之间的欧式距离， ψ为控制 光谱距离和空间距离相对重要程度的权重因子； 若两节点越相似， 则 越小， 越大； 对 近邻矩阵A(S)进行规范化处 理： 式中， I为单位矩阵， 为(A(S)+I)对应的度矩阵； 规范化操处理得到 的 每行的和 与每列的和均为1， 则第(m+1)层图卷积网络提取到的特 征表示为：权　利　要　求　书 1/3 页 2 CN 115410088 A 2式中， φ(·)为修正线性单元， H(S)m+1和H(S)m分别表示图卷积网络第(m+1)层的输出和输 入特征， H(S)0＝X(S)； Wm为图卷积网络第m层的滤波器矩阵； 最终， 经过图卷积网络 提取的源域 高层特征表示为： 式中， 为特征提取器， θF为特征提取器的网络参数。 3.根据权利要求2所述的基于虚拟分类器的高光谱图像领域自适应方法， 其特征在于： 所述步骤2中， 虚拟分类器能够输出目标域样 本与源域每类原型的特征相似度； 首先计算一 个相似度矩阵 其中n(T)是目标域的样本总数， nC是类别总数； 表示第i个 目标域样本与源域第j类原型的特 征相似度； 源域类原型的计算方式为： 式中， 为源域第c类样本， 为源域第c类样本总数； 利用修改后的归一化的逆欧氏 距离来计算目标域样本与源域每 类原型的特 征相似度： 式中， 为最小‑最大归一化后的欧式距离， 为目标域高层特征； 虚拟分类器 的输出表示 为： 式中， 表示虚拟分类器对第i个目标域样本的类别 概率预测； 真实分类 器对第i个目标域样本的类别预测 表示为： 式中， 为真实分类器， θC为真实分类器的网络参数， 为第i个目标域样本， 为softmax的概 率输出； 最小化以下目标函数： 式中， 表示为交叉熵损失， 为第i个源域样本的类别标签， 为真实分类 器将第i个源域样本分到第c类的概 率； 构建预测相关矩阵： 式中， 为真实分类器将第i个目标域样本分到第j类的概率， j＝1， 2...nC； 为权　利　要　求　书 2/3 页 3 CN 115410088 A 3