摘要
本发明公开了一种面向跨地域光谱图像地物分类的可反转双路卷积方法，属于光谱图像地物分类技术领域。本发明方法将一种独特的可反转双路卷积架构融入卷积神经网络模型中，实现了对源域与目标域数据的高效且低内存需求的深度特征提取能力。进一步地，为了缩小源域与目标域之间的特征差异，本发明构建了一种基于最大平均差异的损失函数，旨在对齐两域间的特征分布，从而增强模型对目标域数据的泛化能力。同时，针对双路径卷积神经网络，构建了预测损失函数，确保模型对源域样本保持高度的预测准确性和可靠性。通过将上述两种损失函数融合为总损失函数，并以此为指导，不断优化更新网络模型的参数。最终，当模型训练成熟后，将目标域数据送入训练好的网络模型中，以获得目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，本发明方法相较于现有方法，计算效率更高，内存需求更低，同时分类性能也更有竞争力。
