一种基于无标签样本一致性判定的协同训练方法技术

一种基于无标签样本一致性判定的协同训练方法，本发明专利技术涉及协同训练和多角度图像分类。本发明专利技术目的在于解决现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低的问题。过程为：一：进行初分类：二：选择拍摄图像中无标签样本的可信样本；三：得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成；四：得到该视角的分类结果；直至所有视角对应的分类器重新分类完成；五：重复执行二、三、四，直至满足迭代终止条件，得到每个视角的分类结果，进行投票，以投票率最高的标签作为一中拍摄图像中不带有标签的样本的标签。本发明专利技术用于数字图像处理领域。

【技术实现步骤摘要】
一种基于无标签样本一致性判定的协同训练方法
本专利技术属于数字图像处理领域，涉及协同训练和多角度图像分类，是一种多视角学习方法。
技术介绍
针对同一对象不同层面或从不同途径所获得的特征数据一般被称为多视角数据。多视角学习通常需要遵循两个原则：一致性原则和互补性原则；一致性原则指同一物体的不同视角是有相互联系的，互补性原则是指同一物体的不同视角是有所差异的，可以作为互相补充的特征。现有的多视角学习算法主要分为以下的三大类：协同训练、子空间学习和多核学习。其中协同训练算法通过交替学习两个或多个不同的视角数据，使其之间不一致性最小。分辨率是用来评估遥感卫星价值的一个重要指标。卫星的分辨率包括三个部分：空间分辨率，时间分辨率和光谱分辨率。然而时间分辨率和空间分辨率是相互对立的，升高卫星运行轨道可以提高时间分辨率但同时会降低空间分辨率，反之亦然。在传感器技术飞跃之前，为了形成对全球的快速观测覆盖，遥感卫星不能仅仅观测星下区域，也需要在单次重访飞行中扩大观测区域。而扩大观测区域主要依靠卫星侧摆来实现，侧摆角的增加，会造成图像拍摄视角的较大差异，便产生了高分辨率多角度遥感图像。多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低。
技术实现思路
本专利技术目的在于解决现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低的问题，而提出一种基于分类器对无标签样本一致性判定的协同训练方法(CO-trainingwithUnlabeledSample’sConsistency下简称CO-USC)。一种基于无标签样本一致性判定的协同训练方法具体过程为：步骤一：对N个视角拍摄图像中不带有标签的样本进行初分类：卫星在同一时间N个视角拍摄图像，分别选择每个视角拍摄图像中带有标签的样本训练分类器，并将训练好的分类器对该视角内拍摄图像中无标签样本进行初分类；所述分类器为N个，与N个视角一一对应；N取值为正整数；步骤二：确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；步骤三：顺次选定每个视角，将步骤二中该视角所获得的可信样本及其对应伪标签加入分类器进行训练，得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成，得到每个视角对应的重新训练好的分类器；步骤四：顺次选定每个视角，将步骤二中认为是不可信的该视角无标签样本加入步骤三中该视角重新训练好的分类器进行分类，得到该视角的分类结果；直至所有视角对应的分类器重新分类完成，得到每个视角对应的分类结果；步骤五：重复执行步骤二、步骤三、步骤四，直至满足迭代终止条件，得到每个视角的分类结果，将所有视角的分类结果及步骤二确定可信样本的伪标签对步骤一中拍摄图像中不带有标签的样本在全部视角进行投票，以投票率最高的标签作为步骤一中拍摄图像中不带有标签的样本的标签。本专利技术的有益效果为：本专利技术通过不同视角加入无标签样本及其标签前后分类器分类性能变化来判定无标签样本置信度和确定样本伪标签，进而利用可信的无标签样本重训练分类器以提升分类器分类效果。利用这种协同训练方法提高了多角度高分辨率遥感图像分类准确率或类似多视角学习问题的分类准确率，且对于有标签样本较少的情况尤为适合，从而解决了现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度的问题。在测试的48种情况下整体分类率平均由80.1％提升到82.5％，且有标签样本占总样本较小的4种情况整体分类率提升更大，可达4％。解决了现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低的问题。附图说明：图1为CO-USC方法流程图；图2为伪标签分类正确率与其USC值的关系图；图3为USC伪标签计算公式获得的伪标签正确率与四分类器投票正确率比较关系示意图；图4a为全图实验图像；图4b为真值图；图5a为直接使用KNN的全图分类结果示意图；图5b为采用本专利技术CO-USC方法的全图分类结果示意图。具体实施方式：具体实施方式一：本实施方式的一种基于无标签样本一致性判定的协同训练方法具体过程为：一致性判定为：比较分类器加入无标签样本的分类性能差异，通过比较分类器加入无标签样本前后对无标签样本分类的一致性来确定无标签样本置信度；基于一个简单的思路，如果一个分类器的训练样本中加入一个样本和一个标签，如果分类器的分类效果完全一致，可以认为这个样本与这个标签是完全对应的；扩展来说就是，分类器加入一个新的训练样本和标签后，分类性能越相近，这个样本和对应的标签的置信度也就越高；但是这个思路对于普通的单视图样本是价值有限的，虽然可以确定这个样本与选中的标签是相互对应的，但将这个样本加入分类器中并不会改变分类器的性能，对于其他无标记样本添加的标签没有任何更改。不过对于多视图样本就是十分有效的了，虽然说在我们当前正在选中的视图内该样本的特征与标签不会对分类器起到改进效果，但在其他视图内有着与这个视图内不同的分类器、不同的特征，这样一个确定的标签就会对其他视图内的分类器起到改进的效果。具体来说USC判定本身就是比较加入无标签样本后分类器分类性能的一致性的。无标签样本一致性判定协同训练(co‐trainingwithunlabeledsample’sconsistency简称CO‐USC)；USC为无标签样本一致性判定；步骤一：对N个视角拍摄图像中不带有标签的样本进行初分类：卫星在同一时间N个视角拍摄图像，分别选择每个视角拍摄图像中带有标签的样本训练分类器，并将训练好的分类器对该视角内拍摄图像中无标签样本进行初分类；所述分类器为N个，与N个视角一一对应；N取值为正整数；步骤二：确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；具体过程为：步骤三：顺次选定每个视角，将步骤二中该视角所获得的可信样本及其对应伪标签加入分类器(该视角对应的分类器)进行训练，得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成，得到每个视角对应的重新训练好的分类器；步骤四：顺次选定每个视角，将步骤二中认为是不可信的该视角无标签样本加入步骤三中该视角重新训练好的分类器(该视角对应的分类器)进行分类，得到该视角的分类结果；直至所有视角对应的分类器重新分类完成，得到每个视角对应的分类结果；步骤五：重复执行步骤二、步骤三、步骤四，直至满足迭代终止条件，得到每个视角的分类结果，将所有视角的分类结果及步骤二确定可信样本的伪标签(在每一次迭代的可信样本伪标签全部计算)对步骤一中拍摄图像中不带有标签的样本在全部视角进行投票，以投票率最高的标签作为步骤一中拍摄图像中不带有标签的样本的标签。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中分类器为监督或半监督分类器。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；具体过程为：步骤二一本文档来自技高网...

【技术保护点】
1.一种基于无标签样本一致性判定的协同训练方法，其特征在于：所述方法具体过程为：步骤一：对N个视角拍摄图像中不带有标签的样本进行初分类：卫星在同一时间N个视角拍摄图像，分别选择每个视角拍摄图像中带有标签的样本训练分类器，并将训练好的分类器对该视角内拍摄图像中无标签样本进行初分类；所述分类器为N个，与N个视角一一对应；N取值为正整数；步骤二：确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；步骤三：顺次选定每个视角，将步骤二中该视角所获得的可信样本及其对应伪标签加入分类器进行训练，得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成，得到每个视角对应的重新训练好的分类器；步骤四：顺次选定每个视角，将步骤二中认为是不可信的该视角无标签样本加入步骤三中该视角重新训练好的分类器进行分类，得到该视角的分类结果；直至所有视角对应的分类器重新分类完成，得到每个视角对应的分类结果；步骤五：重复执行步骤二、步骤三、步骤四，直至满足迭代终止条件，得到每个视角的分类结果，将所有视角的分类结果及步骤二确定可信样本的伪标签对步骤一中拍摄图像中不带有标签的样本在全部视角进行投票，以投票率最高的标签作为步骤一中拍摄图像中不带有标签的样本的标签。...

【技术特征摘要】
1.一种基于无标签样本一致性判定的协同训练方法，其特征在于：所述方法具体过程为：步骤一：对N个视角拍摄图像中不带有标签的样本进行初分类：卫星在同一时间N个视角拍摄图像，分别选择每个视角拍摄图像中带有标签的样本训练分类器，并将训练好的分类器对该视角内拍摄图像中无标签样本进行初分类；所述分类器为N个，与N个视角一一对应；N取值为正整数；步骤二：确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；步骤三：顺次选定每个视角，将步骤二中该视角所获得的可信样本及其对应伪标签加入分类器进行训练，得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成，得到每个视角对应的重新训练好的分类器；步骤四：顺次选定每个视角，将步骤二中认为是不可信的该视角无标签样本加入步骤三中该视角重新训练好的分类器进行分类，得到该视角的分类结果；直至所有视角对应的分类器重新分类完成，得到每个视角对应的分类结果；步骤五：重复执行步骤二、步骤三、步骤四，直至满足迭代终止条件，得到每个视角的分类结果，将所有视角的分类结果及步骤二确定可信样本的伪标签对步骤一中拍摄图像中不带有标签的样本在全部视角进行投票，以投票率最高的标签作为步骤一中拍摄图像中不带有标签的样本的标签。2.根据权利要求1所述一种基于无标签样本一致性判定的协同训练方法，其特征在于：所述步骤一中分类器为监督或半监督分类器。3.根据权利要求2所述一种基于无标签样本一致性判定的协同训练方法，其特征在于：所述步骤二中确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；具体过程为：步骤二一：以第一个视角作为主视角，其余视角作为非主视角；在非主视角内进行USC判定，获得非主视角的USC序列，将非主视角的USC序列进行叠加，根据叠加后的序列得到主视角无标签样本USC置信度；对拍摄图像中无标签样本进行除当前主视角外其余全部视角分类器的伪标签投票，以每一个样本的投票率作为主视角无标签样本的投票置信度；USC...

【专利技术属性】
技术研发人员：谷延锋，李天帅，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23