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！

龙图腾网获悉哈尔滨工程大学申请的专利一种基于少量训练样本下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：CN114255367B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202111474609.9，技术领域涉及：G06V10/764；该发明授权一种基于少量训练样本下的高光谱图像分类方法是由崔颖;高山;于梓坤;夏晋彪;李文山设计研发完成，并于2021-12-06向国家知识产权局提交的专利申请。

本一种基于少量训练样本下的高光谱图像分类方法在说明书摘要公布了：本发明是一种基于少量训练样本下的高光谱图像分类方法。本发明涉及图像处理及其分类技术领域，本发明获取原始的高光谱数据集，对感兴趣的类别信息进行标注；对原始数据集使用主成分分析法进行降维，通过保留不重叠信息的方式，降低需要处理的数据量；选择合适的空间邻域大小，并将数据按照一定的比例划分为训练集、验证集、测试集，建立双重注意力模型；将训练数据送入的双重注意力机制模型中进行训练；及时调整模型训练过程的参数，通过交叉验证选择出最好的模型；将训练最好的模型在测试集上进行测试，验证分类效果。

本发明授权一种基于少量训练样本下的高光谱图像分类方法在权利要求书中公布了：1.一种基于少量训练样本下的高光谱图像分类方法，其特征是：包括以下步骤： 步骤1：获取原始的高光谱数据集，对感兴趣的类别信息进行标注； 所述步骤1具体为： 针对采集的高光谱数据进行预处理，对类别信息进行标注，为分类模型进行类别信息提取的关键先验信息； 步骤2：对原始数据集使用主成分分析法进行降维，通过保留不重叠信息的方式，降低需要处理的数据量； 步骤3：选择合适的空间邻域大小，并将数据按照一定的比例划分为训练集、验证集、测试集，建立双重注意力模型； 所述步骤3具体为： 为了提取高光谱图像的空谱联合信息，将数据划分为三维数据块，选取了9×9×S，S是使用主成分分析法降维后的光谱维度，在训练集的划分上，选取了最低的比例，IP数据集只有3％的训练样本，UP数据集只有1％的训练样本，SV数据集只有0.5％的训练样本； 所述双重注意力模型分为两个分支，上分支用以提取高光谱的光谱信息，被称之光谱分支；下分支用以提取高光谱的空间信息，被称之空间分支，输入的高光谱数据块被同时送入这两个分支中，然后将提取的信息融合，并送入到分类器； 对于光谱分支，将ECA模块应用在高光谱的光谱维度，进一步加强重要光谱信息的权重；特征提取的主干结构是一个四层的DenseNet网络，在每一层中间，同样使用ECA模块来帮助DenseNet网络捕获不同通道之间的关联信息；特征提取完成后送入Channel Triple Attention模块，并逐步获得最后的光谱特征图； 空间分支输入的三维数据直接经过一个三维卷积和DenseNet网络提取空间特征，将提取得到的特征图送入Spatital Triple Attention模块，并逐步获得最后的空间特征图，将和光谱特征图连接起来，一同使用Softmax分类器进行分类； 步骤4：将训练数据送入的双重注意力机制模型中进行训练； 所述步骤4具体为： 双重注意力模型在捕获跨纬度交互信息的基础上，在少量训练样本的限制下，实现了高光谱图像的精细分类；为了提高DenseNet网络特征复用的能力以及所提取特征的质量，在DenseNet中引入了一种轻量有效的通道注意力模块ECA，通过一维卷积实现了局部跨信道交互策略，没有引入过多的参数； 步骤5：及时调整模型训练过程的参数，通过交叉验证选择出最好的模型； 所述步骤5具体为： 与目前最先进的DBDA模型，以及深度学习方法CDCNN,SSRN,DBMA进行了对比实验，Batchsize设置为16,每次训练200个epoch，并设置了相应的早停策略防止过拟合，即损失值20个批次不再下降，及时终止模型的训练，学习率为0.0001，并在训练过程中使用余弦退火方法动态降低学习率； 步骤6：将训练最好的模型在测试集上进行测试，验证分类效果； 所述步骤6具体为：使用训练好的模型在测试集上进行精度指标、稳定性、模型分类时间指标的测定，并绘制出完整的分类图。

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哈尔滨工程大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区南通大街145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”。

以上内容由龙图腾AI智能生成。