一种基于Kolmogorov-Arnold网络的高光谱图像分类方法
本发明属于高光谱图像分类领域,尤其涉及一种基于kolmogorov-arnold网络的高光谱图像分类方法。
背景技术:
1、高光谱图像具有波段数目多、光谱分辨率高且空间-光谱信息高度耦合的特点,能够为地物识别与分类提供精细的光谱诊断信息,在遥感监测、精细农业、环境科学和地质勘探等领域具有广泛应用。随着深度学习技术的快速发展,基于卷积神经网络的方法已成为高光谱图像分类的主流框架之一,该类方法通过2d-cnn、3d-cnn或空谱联合卷积核提取局部空谱特征,取得了优于传统机器学习方法的分类性能。与此同时,基于自注意力机制的transformer模型因其对长程依赖关系的强大建模能力而被引入高光谱分类任务,能够有效捕获光谱序列中的全局上下文信息,进一步提升了分类精度。此外,图神经网络、生成对抗网络及mamba架构等新兴深度模型也在该领域进行了探索性应用。尽管上述方法推动了高光谱分类技术的发展,但高光谱数据固有的高维性、光谱连续性和空间多尺度性仍对模型设计提出了持续挑战。
2、然而,现有高光谱图像分类方法仍存在以下不足:其一,传统cnn及transformer模型普遍采用relu等固定形式的激活函数,其函数形态无法根据高光谱数据中连续光谱曲线的具体分布进行自适应调整,对光谱波段间复杂的非线性关系拟合能力受限,难以精细刻画不同地物间的细微光谱差异。其二,现有方法大多对光谱维和空间维进行分离式或串行式处理,缺乏能够协同建模连续光谱依赖与多尺度空间纹理的统一轻量化框架,光谱全局上下文与空间局部细节的交互融合不够充分。其三,transformer类方法虽具备长程建模优势,但其计算复杂度随序列长度呈平方级增长,模型参数量和推理开销较大,在星载或无人机载等资源受限平台上的部署受到制约;而cnn类方法虽计算效率较高,但感受野受限,对大范围空间上下文信息的建模能力不足。因此,亟需一种能够在保持较高分类精度的同时,兼顾光谱连续非线性拟合、多尺度空间特征自适应聚合以及模型轻量化需求的高光谱图像分类方案。
技术实现思路
1、为解决上述技术问题,本发明提供了一种基于kolmogorov-arnold网络的高光谱图像分类方法,包括:
2、对待分类高光谱影像进行主成分分析降维,得到降维后的数据立方体;
3、从所述降维后的数据立方体中提取空间-光谱图像块;
4、将所述空间-光谱图像块分别输入spectralkan光谱分支和spatialkan空间分支,所述spectralkan光谱分支利用包含可学习样条函数的kan层对光谱通道进行非线性映射,并通过采用cp低秩分解的kan-cp模块提取光谱特征,得到光谱特征;
5、所述spatialkan空间分支利用kanlinear层进行像素级特征混合,通过不同尺度的深度可分离卷积获得多尺度空间特征,并通过退火门控选择性核融合模块及se通道注意力模块提取空间特征,得到空间特征;
6、将所述光谱特征与所述空间特征进行融合,得到融合特征;
7、将所述融合特征输入基于kan的分类头,输出所述待分类高光谱影像中待分类像素的类别结果。
8、可选的,从所述降维后的数据立方体中提取空间-光谱图像块包括:
9、通过主成分分析将所述待分类高光谱影像的光谱维度降至预设维度,得到降维后的数据立方体;
10、对所述降维后的数据立方体进行镜像填充,从填充后的数据立方体中提取重叠的空间-光谱图像块;
11、对所述空间-光谱图像块进行逐波段归一化,得到各波段数据标准化并缩放至预设数值区间的空间-光谱图像块。
12、可选的,所述kan层采用多个tent基函数构成可学习样条函数,所述利用包含可学习样条函数的kan层对光谱通道进行非线性映射包括:
13、将每个输入光谱通道经所述多个tent基函数映射,生成一组响应函数;
14、对所述一组响应函数进行非线性变换、加权及偏置调整,得到预设维度的光谱表示。
15、可选的,所述kan-cp模块包括经cp分解的低秩kan层、层归一化、dropout和残差连接;通过所述kan-cp模块提取光谱特征包括:
16、通过cp分解将所述低秩kan层的高阶权重表示为多个因子矩阵的低秩组合,得到低秩kan层输出;
17、将所述低秩kan层输出依次经层归一化、dropout和残差连接处理,得到光谱特征。
18、可选的,所述spectralkan光谱分支在所述kan-cp模块之后还设置轻量级一维谱卷积和光谱注意力模块;通过所述spectralkan光谱分支提取光谱特征还包括:
19、将所述kan-cp模块的输出依次经所述轻量级一维谱卷积和所述光谱注意力模块处理,得到增强局部波段模式和全局光谱上下文的最终光谱特征。
20、可选的,所述利用kanlinear层进行像素级特征混合包括:
21、将所述空间-光谱图像块输入kanlinear层,通过kan算子对所述空间-光谱图像块中每个像素的光谱维度进行非线性映射至特征通道维度,得到包含空间高度、空间宽度和映射特征维度的三维特征张量。
22、可选的,所述不同尺度的深度可分离卷积至少包括3×3和5×5两种尺度的深度可分离卷积;所述通过不同尺度的深度可分离卷积获得多尺度空间特征,并通过退火门控选择性核融合模块及se通道注意力模块提取空间特征包括:
23、将所述kanlinear层输出的三维特征张量分别经至少3×3和5×5两种尺度的深度可分离卷积处理,得到多尺度空间特征;
24、将所述多尺度空间特征输入退火门控选择性核融合模块,通过可学习温度参数对不同尺度空间特征进行动态加权融合,得到融合空间特征;
25、将所述融合空间特征经se通道注意力进行特征重标定,得到最终空间特征。
26、可选的,将所述光谱特征与所述空间特征进行融合包括:
27、将所述spectralkan光谱分支输出的光谱特征与所述spatialkan空间分支输出的空间特征进行拼接,得到综合空谱融合特征。
28、另一方面,本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序,所述处理器执行所述计算程序时实现所述方法。
29、另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述方法。
30、与现有技术相比,本发明具有如下优点和技术效果:
31、首先,通过采用基于可学习样条函数的kan层替代传统固定激活函数,使网络能够根据高光谱数据分布自适应地学习连续光谱的非线性映射关系,增强了对细微光谱差异的辨别能力。其次,通过spectralkan与spatialkan双分支并行架构,分别建模光谱连续性与多尺度空间纹理,并经由特征融合实现空谱信息的充分交互,兼顾了全局光谱上下文与局部空间细节。再次,通过引入cp低秩分解对kan-cp模块进行张量压缩,大幅减少模型参数量和乘加运算量;结合深度可分离卷积和轻量级谱卷积设计,在保证分类精度的前提下显著降低了计算开销和推理时间,使模型能够高效部署于计算资源受限的高光谱遥感应用场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com