申请/专利权人：安徽大学

申请日：2024-05-24

公开（公告）日：2024-06-25

公开（公告）号：CN118247668A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/82;G06V10/774;G06N3/0455;G06N3/096

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明涉及一种基于扩散模型的高光谱图像多源域域自适应分类方法。本发明包括以下步骤：基于批归一化层统计迁移的源域模型初始化；构建基于扩散模型的模型生成算法；训练基于扩散模型的多源域域自适应模型；基于信息熵最小化和对比学习算法的目标域模型微调。与现有技术相比，本发明通过基于扩散模型的多源域域自适应模型，解决了现有高光谱分类任务中由于目标域标签数据缺乏以及多源域之间、源域目标域之间存在域差异而导致的难以将多源域训练模型迁移至目标域数据集的问题,并且目标域模型生成过程中不访问源域数据只访问源域训练模型从而减少了数据传输、数据存储的负担，实现快速将地多种卫星数据上训练的模型迁移到目标卫星数据的方法。

主权项：1.一种基于扩散模型的高光谱图像多源域域自适应分类方法，其特征在于，包括以下步骤：11基于批归一化层统计迁移的源域模型初始化：训练在不同源域遥感卫星高光谱影像下的高光谱图像分类模型，同时模型结构全部采用resnet18结构，其中包含17个批归一化层；每个源域模型训练完成后，其每一个批归一化层中都存有逐批次源域数据的统计值，将统计值替换为同样批次大小目标域数据在此源域模型上的统计值，具体步骤为：111在多个源域数据，上分别训练高光谱分类模型，其中代表影像数据，代表对应标签数据，代表源域个数；在每个源域上分别训练完成后的模型可被表示为： ；其中下标表示源域的索引，代表训练过程；112在每个训练好的模型中，其每个批归一化层存储了对应逐批次源域数据的均值和方差；其中下标表示源域的索引，上标数字代表批归一化层的索引；113在每个源域训练模型中以同样批次大小测试目标域数据，得到与源域索引、批归一化层索引对应的逐批次目标域数据的均值和方差；114将每个源域训练模型中批归一化层的均值和方差替换为和，并固定其余参数，得到初始化后的源于训练模型；12构建基于扩散模型的模型生成算法：该算法包含模型参数自编码器模块和扩散生成模型；其中模型参数自编码器模块包含将模型参数编码为隐变量的编码器和将隐变量解码至模型参数的解码器；扩散生成模型负责从随机噪声中生成可被解码器解码至模型参数的隐变量；13训练基于扩散模型的多源域域自适应模型：resnet18在多个源域数据上训练的模型参数作为模型参数自编码器和扩散生成模型的训练样本；训练完成后，定义随机噪声并经过扩散模型生成隐变量，再通过解码器生成目标域模型参数；14基于信息熵最小化和对比学习算法的目标域模型微调。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于扩散模型的高光谱图像多源域域自适应分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD