一种基于深度学习的遥感影像自动标注方法技术

本发明专利技术公开了一种基于深度学习的遥感影像自动标注方法，该遥感影像自动标注方法首先提取待标注遥感影像的视觉特征向量，然后以视觉特征向量为DBM模型的输入对待标注遥感影像进行自动标注，该方法中实用的DBM模型由下自上依次包括可见层、第一隐层、第二隐层和标签层，该模型通过训练得到。本发明专利技术的遥感影像自动标注方法中所使用的深度玻尔兹曼机模型中包括两个隐层（分别为第一隐层和第二隐层），通过设置两个隐层有效填补图像语义标注过程中的“语义鸿沟”问题，提高整体的标注准确率。

【技术实现步骤摘要】
一种基于深度学习的遥感影像自动标注方法
本专利技术涉及遥感影像的智能分类与检索技术，特别涉及一种基于深度学习的遥感影像自动标注方法。
技术介绍
遥感影像是空间信息的重要数据之一，广泛用于地质与洪涝灾害监测、农业与森林资源调查、土地利用与城市规划和军事领域。随着我国空间科学和对地观测技术的发展，遥感影像数据的数据年呈现指数增长的趋势，对海量遥感影像数据的有效管理变得日益重要。遥感影像标注是遥感影像分析和理解的重要内容之一，它是通过提取遥感影像的底层视觉特征，通过一些机器学习模型来学习这些底层视觉特征与高层语义之间的联系来，从而实现将一些语义标签自动标注给遥感影像，例如，通过遥感影像自动标注过程，可以自动地标注出海量遥感影像中居民区、农田、商业区、沙漠、森林等等。遥感影像的自动标注是对遥感影像语义的理解，也是对海量遥感影像进行类别编目和检索的重要技术基础。对遥感影像的自动标注工作可以看做是对遥感影像的广义的自动分类工作，即在对遥感影像进行自动标注工作之前，需要先确定需要标注的遥感影像所对应的类别标签(即文本标签)有哪些，然后将不同的遥感影像与不同的类别标签对应联系起来。对传统图像的标注工本文档来自技高网...

【技术保护点】
一种基于深度学习的遥感影像自动标注方法，其特征在于，包括：（1）提取待标注遥感影像的底层特征向量构建得到相应遥感影像的视觉特征向量；（2）将所述的视觉特征向量输入训练好的深度玻尔兹曼机模型进行自动标注；所述步骤（2）中训练好的深度玻尔兹曼机模型通过以下步骤得到：（S1）创建包含若干个文本标签的标签词典；（S2）根据标签词典选择相应类别的已标注有文本标签遥感影像作为模型训练数据集；（S3）提取各张遥感影像的底层特征向量构建得到相应遥感影像的视觉特征向量，并根据标签词典和文本标签确定各个遥感影像的文本特征向量；（S4）构建深度玻尔兹曼机模型，所述的深度玻尔兹曼机模型从下至上依次包括可见层、第一隐层...

【技术特征摘要】
1.一种基于深度学习的遥感影像自动标注方法，其特征在于，包括：(1)提取待标注遥感影像的底层特征向量构建得到相应遥感影像的视觉特征向量；(2)将所述的视觉特征向量输入训练好的深度玻尔兹曼机模型进行自动标注；所述步骤(2)中训练好的深度玻尔兹曼机模型通过以下步骤得到：(S1)创建包含若干个文本标签的标签词典；(S2)根据标签词典选择相应类别的已标注有文本标签遥感影像作为模型训练数据集；(S3)提取各张遥感影像的底层特征向量构建得到相应遥感影像的视觉特征向量，并根据标签词典和文本标签确定各个遥感影像的文本特征向量；(S4)构建深度玻尔兹曼机模型，所述的深度玻尔兹曼机模型从下至上依次包括可见层、第一隐层、第二隐层和标签层，各层中的任意两个节点无连接，相邻层之间的任意两个节点双向连接；(S5)利用模型训练数据集中所有遥感影像的视觉特征向量和文本特征向量对所述的深度玻尔兹曼机模型进行训练，得到训练好的深度玻尔兹曼机模型。2.如权利要求1所述的基于深度学习的遥感影像自动标注方法，其特征在于，所述的第二隐层与标签层构成的连接网络为单向BP神经网络。3.如权利要求2所述的基于深度学习的遥感影像自动标注方法，其特征在于，所述步骤(S5)中的深度玻尔兹曼机模型的训练过程如下：(S51)以视觉特征向量作为可见层的输入，以文本特征向量作为标签层的输入；(S52)将可见层和第一隐层作为受限玻尔兹曼机，以视觉特征向量作为可见层的输入，使用对比散度算法来对该玻尔兹曼机进行训练得到可见层和第一隐层之间的连接权重以及第一隐层的最终状态；(S53)将第一隐层和第二隐层作为受限玻尔兹曼机，以第一隐层的最终状态作为第一隐层的输入，使用对比散度算法来对该玻尔兹曼机进行训练得到第一隐层和第二隐层之间的连接权重...

【专利技术属性】
技术研发人员：陈华钧，黄梅龙，江琳，陶金火，杨建华，郑国轴，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：