买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于伪标签辅助的高光谱图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117011714B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311004129.5，技术领域涉及：G06V20/10；该发明授权基于伪标签辅助的高光谱图像分类方法是由冯志玺;童仕林;杨淑媛;马悦;张心雨设计研发完成，并于2023-08-10向国家知识产权局提交的专利申请。

本基于伪标签辅助的高光谱图像分类方法在说明书摘要公布了：本发明公开了一种基于伪标签辅助的高光谱图像分类方法，主要解决现有技术对跨域高光谱图像分类准确率低的问题，其实现方案包括：获取并构建高光谱源域和目标域数据集；通过深度神经网络分别提取源域、目标域的特征图，并将其输入到两个结构相同的双分类器中获取各自的两个预测概率；利用源域和目标域的预测概率对深度神经网络和双分类器进行一次更新；利用源域和目标域特征图构建类感知最大均值差异损失函数，并通过最小化该损失函数对一次更新后的深度神经网络和双分类器进行二次更新；更新目标域样本，再将其输入到二次更新后的深度神经网络及双分类器中，获得最终的分类结果。本发明有效提高了高光谱图像分类的准确率，可用于智能农业和环境监测。

本发明授权基于伪标签辅助的高光谱图像分类方法在权利要求书中公布了：1.一种基于伪标签辅助的高光谱图像分类方法，其特征在于，包括如下步骤： 1从公开高光谱数据集中获取两个具有部分类别相同的数据集，将其中一个作为带真实标签的源域数据集SD，另一个作为不带真实标签的目标域数据集TD； 2将源域数据集SD和目标域数据集TD的样本分别输入到深度神经网络F中，获得该网络最后一层的源域输出特征图fs，目标域输出特征图ft； 3将源域数据集SD输出特征图fs和目标域TD输出特征图ft分别输入到双分类器C1和C2中，获得源域SD样本的两个预测概率 目标域TD样本的两个预测概率 4对深度神经网络F和双分类器C1和C2进行一次更新： 4a将源域SD样本的两个预测概率 和目标域TD样本的两个预测概率 输入到分类损失函数中，再将目标域TD样本的两个预测概率 输入到分类器差异损失函数中，得到源域和目标域的分类损失函数Lcls和差异损失函数Ltd； 4b通过优化两个损失函数Lcls和Ltd更新深度神经网络F和双分类器C1和C2，得到第一次更新后的深度神经网络F′和双分类器C1′和C2′； 5根据源域SD样本特征图fs及其对应的真实标签ys和目标域TD样本特征图ft构建类感知最大均值差异损失函数Lc， 其中δ·为指示函数，k为类别序号，ns表示源域样本数，nt表示源域样本数，如果则δyi s,k＝1，否则φ·是将源域和目标域进行转换的嵌入空间的层参数，为第i个源域样本的特征图,为第i个源域样本的真实标签，为第j个目标域样本的特征图,是目标域TD样本的余弦相似类别，C为类别总数，H表示希尔伯特空间； 6对类感知最大均值差异损失函数Lc进行最小化，以对第一次更新后的深度神经网络F′和双分类器C1′和C2′再进行更新，得到第二次更新后的深度神经网络F″和双分类器C1″和C2″； 7对目标域样本进行更新： 7a将所有源域SD样本的特征图fs维护成一个记忆集合M： 其中fi s,为第i个源域SD样本的特征图，为第i个源域SD样本的真实标签； 7b从M中逐类别随机抽取部分特征图及对应标签作为源域样本SD的投影osxs，把目标域TD样本的特征图ft作为目标域TD的投影otxt； 7c将源域投影osxs及其对应标签传播到目标域投影otxt中，获得目标域TD样本的标签传播概率Ψ*； 7d根据目标域TD样本的两个预测概率 计算目标样本的重加权权重r： r＝maxΨ*·Pt 其中 7e根据目标样本的重加权权重r对目标域TD样本进行剪枝，得到的目标域TD样本的伪标签 其中I·为指示函数，τ为权重阈值，Nt为目标域数据集总样本个数； 7f根据剪枝后的伪标签得到其对应的目标域可信样本并将这两者组成新的目标域数据集以替换原有的目标域数据集TD，得到新的目标域数据集TD′； 8将新的目标域TD′样本依次输入到第二次更新后的深度神经网络F″和双分类器C1″和C2″中，得到其两个预测概率G1，G2，计算两者的平均概率G＝G1+G22，取G中最大值对应类别为目标域样本的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。