基于关系网络的复杂场景下遥感图像小样本目标识别方法技术

本发明专利技术公开了一种基于关系网络的复杂场景下遥感图像小样本目标识别方法，本发明专利技术针对小样本情况下遥感舰船天气场景覆盖面不足的情况，通过风格迁移生成5种典型天气场景下的遥感舰船影像，将原有特征与度量模块针对不同场景下的遥感舰船影像进行微调，微调结果作为训练集与支持集，用以优化网络参数，提高网络的识别精度。本发明专利技术采用风格迁移对遥感图像进行处理，增加训练集数据和支持集数据的天气场景覆盖范围，后续对支持集数据进行高维度特征向量聚类中心提取，减少关系网络的计算量，提高网络识别结果准确度的同时保证了网络的识别速度。

Small sample target recognition of remote sensing image in complex scene based on relation network

【技术实现步骤摘要】
基于关系网络的复杂场景下遥感图像小样本目标识别方法
本专利技术属于深度学习领域，涉及采用关系网络和度量学习进行遥感图像中小样本目标识别的方法。
技术介绍
利用深度学习进行图像识别时，需要大量的训练集数据对网络参数调节，进行图像特征学习，因此识别结果准确度往往与数据集数量呈正比关系。对于遥感舰船影像识别这类任务，高质量数据集获取难度较大，需要采取其他的手段辅助提高识别结果的准确度。近两年越来越多的学者开始研究基于小样本数据的目标识别问题，其中度量学习是一类较为有效的方法，根据样本间距离分布进行建模，采用同类样本靠近，异类样本远离的原理对数据进行分类。基于神经网络模型代替人工选择的固定度量公式，需要通过大量数据的预训练，拟合出了较好的分类器。此类网络训练的是一种“元知识”，在小样本情况下迁移性更强，但目前国内使用度量学习方法对遥感舰船小样本目标进行识别的研究较少，且尚未结合遥感影像目标的特征进行针对性的优化。
技术实现思路
针对小样本情况下遥感舰船天气场景覆盖面不足的情况，通过风格迁移生成5种典型天气场景下的遥感舰船影像，将原有特征与度量模块针对不同场景下的遥感舰船影像进行微调，微调结果作为训练集与支持集，用以优化网络参数，提高网络的识别精度。其次，由于使用风格迁移对支持集进行了扩增，提高了识别结果的精度但对识别速度会有较大的影响。故将遥感舰船支持集图像的高维特征向量按典型天气场景使用K-means提取聚类中心，使用提取后的类典型场景特征向量与测试集图像高维特征向量通过神经网络进行度量学习，大幅减少网络计算量，保证了识别速度。步骤(1)、对遥感舰船影像进行风格迁移。1.1对遥感舰船影像进行风格迁移，生成目标图。根据分析实验选用具有过度曝光、薄雾、雨、黑夜、正常天气5种典型天气的场景的遥感影像作为风格图Is，对遥感图像进行风格迁移，得到多张具有对应风格图Is风格的目标图IC，摒除了单纯使用天气场景作为风格图Is的弊端，增加遥感影像的天气场景覆盖范围。1.2对目标图进行后续处理。使用光照平滑功能处理目标图，消除风格转换在语义相似的区域产生的不一致风格，使生成的目标图像更加自然。步骤(2)、利用步骤(1)生成目标图的方式制作训练集和支持集。步骤(3)、对训练集特征提取、特征串联，进行度量计算和分类训练。步骤(4)、对支持集进行特征提取、高维度特征向量聚类中心提取。4.1随机选取5个聚类中心，分别为μ1,μ2,μ3,μ4,μ5，计算中使用μj代替4.2收敛性定义，畸变函数为：其中J代表畸变函数。n表示目前所有该类别中特征向量的最大维度，其中i表示与数值相对应的维度。表示支持集中有第i维特征向量的实例总数。表示某类特征对应的在维度特征向量的聚类中心。4.3对于每一个高维特征向量gi，计算其应该属于的类：其中表示一个高维度特征向量所对应的类别。μj表示类j对应的聚类中心。4.4对于每一个类j，重新计算该类的中心：4.5重复步骤(3)和(4)，直到收敛后提取新的聚类中心。步骤(5)、对测试集数据特征提取，结合步骤(4)得到的聚类中心进行特征串联，进行度量计算和分类识别。本专利技术的有益效果如下：由于高质量数据集获取难度较大，本专利技术采用风格迁移对遥感图像进行处理，增加训练集数据和支持集数据的天气场景覆盖范围，后续对支持集数据进行高维度特征向量聚类中心提取，减少关系网络的计算量，提高网络识别结果准确度的同时保证了网络的识别速度。附图说明图1为训练网络整体结构图，图2为测试网络整体结构图。具体实施方式下面结合具体实施例对本专利技术做进一步的分析。本实验将一组遥感舰船影像作为训练的样本数据集。如图1所示，在基于度量学习的遥感舰船影像小样本识别任务中的具体步骤如下：步骤(1)、对遥感舰船影像进行风格迁移。1.1对遥感舰船影像进行风格迁移，生成目标图。根据分析实验选用具有过度曝光、薄雾、雨、黑夜、正常天气5种典型天气的场景的遥感影像作为风格图Is，对遥感图像进行风格迁移，得到多张具有对应风格图Is风格的目标图IC，摒除了单纯使用天气场景作为风格图Is的弊端，增加遥感影像的天气场景覆盖范围。1.2对目标图进行后续处理。使用光照平滑功能处理目标图，消除风格转换在语义相似的区域产生的不一致风格，使生成的目标图像更加自然。步骤(2)、利用步骤(1)生成目标图的方式制作训练集和支持集。步骤(3)、对训练集特征提取、特征串联，进行度量计算和分类训练。步骤(4)、对支持集进行特征提取、高维度特征向量聚类中心提取。4.1随机选取5个聚类中心，分别为μ1,μ2,μ3,μ4,μ5，计算中使用μj代替4.2收敛性定义，畸变函数为：其中J代表畸变函数。n表示目前所有该类别中特征向量的最大维度，其中i表示与数值相对应的维度。表示支持集中有第i维特征向量的实例总数。表示某类特征对应的在维度特征向量的聚类中心。4.3对于每一个高维特征向量gi，计算其应该属于的类：其中表示一个高维度特征向量所对应的类别。μj表示类j对应的聚类中心。4.4对于每一个类j，重新计算该类的中心：4.5重复步骤(3)和(4)，直到收敛后提取新的聚类中心。步骤(5)、对测试集数据特征提取，结合步骤(4)得到的聚类中心进行特征串联，进行度量计算和分类识别，如图2所示。上述实施例并非是对于本专利技术的限制，本专利技术并非仅限于上述实施例，只要符合本专利技术要求，均属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.基于关系网络的复杂场景下遥感图像小样本目标识别方法，其特征在于，该方法具体包括以下步骤：/n步骤(1)、对遥感舰船影像进行风格迁移/n1.1对遥感舰船影像进行风格迁移，生成目标图；/n根据分析实验选用具有过度曝光、薄雾、雨、黑夜、正常天气5种典型天气的场景的遥感影像作为风格图I

【技术特征摘要】
1.基于关系网络的复杂场景下遥感图像小样本目标识别方法，其特征在于，该方法具体包括以下步骤：
步骤(1)、对遥感舰船影像进行风格迁移
1.1对遥感舰船影像进行风格迁移，生成目标图；
根据分析实验选用具有过度曝光、薄雾、雨、黑夜、正常天气5种典型天气的场景的遥感影像作为风格图Is，对遥感图像进行风格迁移，得到多张具有对应风格图Is风格的目标图IC，摒除了单纯使用天气场景作为风格图Is的弊端，增加遥感影像的天气场景覆盖范围；
1.2对目标图进行后续处理
使用光照平滑功能处理目标图，消除风格转换在语义相似的区域产生的不一致风格，使生成的目标图像更加自然；
步骤(2)、利用步骤(1)生成目标图的方式制作训练集和支持集；
步骤(3)、对训练集特征提取、特征串联，进行度量计算和分类训练；
步骤(4)、对支持集进行特征提取、高维度...

【专利技术属性】
技术研发人员：陈华杰，白浩然，侯新雨，吕丹妮，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33