技術(shù)特征：

1.基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，所述步驟b具體包括以下步驟：

3.根據(jù)權(quán)利要求1所述的基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，所述步驟c中，為了提高不同數(shù)據(jù)的可區(qū)分性，在深度嵌入模型生成的嵌入空間中，分別設(shè)置兩個(gè)模型輸出相同大小的嵌入空間，減少源嵌入空間和目標(biāo)嵌入空間分布的差異性。

4.根據(jù)權(quán)利要求1所述的基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，所述步驟d中，設(shè)計(jì)判別器模型，包括了全連接層、批歸一化層、relu激活函數(shù)，并聯(lián)合域自適應(yīng)技術(shù)減少不同場(chǎng)景特征分布的差異。

5.根據(jù)權(quán)利要求1所述的基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，所述步驟e中，為了增強(qiáng)不同場(chǎng)景數(shù)據(jù)特征分布的對(duì)齊，通過置信學(xué)習(xí)評(píng)估機(jī)制估計(jì)噪聲并對(duì)實(shí)例進(jìn)行排序，以確保使用高置信度的數(shù)據(jù)進(jìn)行訓(xùn)練，提高目標(biāo)場(chǎng)景的分類精度。

6.根據(jù)權(quán)利要求1所述的基于xgboost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類，其特征在于，所述步驟f具體包括以下步驟：

技術(shù)總結(jié)
本發(fā)明提出基于XGBoost和域自適應(yīng)的高光譜圖像農(nóng)作物跨場(chǎng)景分類方法，屬于圖像分類技術(shù)領(lǐng)域。首先，將不同場(chǎng)景的高光譜圖像數(shù)據(jù)集輸入深度嵌入模型，將高光譜數(shù)據(jù)嵌入低維空間以捕捉其內(nèi)在結(jié)構(gòu)和分布，使相似光譜的表示更加接近。然后，引入置信域自適應(yīng)技術(shù)，通過判別器模型減少不同場(chǎng)景特征分布的差異，去除噪聲樣本，加強(qiáng)特征分布對(duì)齊。最后，本發(fā)明通過投票組合策略集成多個(gè)基分類器，減少單個(gè)分類器的偏差，提升泛化能力和魯棒性。在Houston數(shù)據(jù)集上，該方法優(yōu)于傳統(tǒng)方法和主流域自適應(yīng)模型，尤其在經(jīng)濟(jì)作物的Grass?healthy和Grass?stressed類別上效果顯著提升。

技術(shù)研發(fā)人員：吳海濱,劉城洋,趙琳,王愛麗,孫曉明,蓋建新,于雙,趙煙橋
受保護(hù)的技術(shù)使用者：哈爾濱理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26