一种基于度量学习的小样本遥感影像目标识别方法技术

本发明专利技术公开了一种基于度量学习的小样本遥感影像目标识别方法，属于遥感影像识别技术领域。它首先搜集遥感影像数据，制备用于小样本目标识别的遥感影像目标切片数据集；其次利用深度残差网络对多尺度遥感影像目标切片进行特征提取，获得测试目标的特征向量以及各类训练样本的特征向量集；然后基于k近邻算法在各类训练样本的特征向量集中找到与测试目标特征向量相似的前k个特征向量；最后基于度量学习方法，计算测试目标和各类训练样本之间的相似度，完成对测试目标的识别。本发明专利技术具有网络结构简洁、训练方法简单、平均目标识别准确率高等特点，适合用于小样本场景下遥感影像目标的识别应用。

【技术实现步骤摘要】
一种基于度量学习的小样本遥感影像目标识别方法
本专利技术涉及遥感影像识别
，特别是指一种基于度量学习的小样本遥感影像目标识别方法，可用于小样本场景下可见光遥感影像的目标识别。
技术介绍
目前，尽管遥感影像数量很多，但在某些特定场景下，针对某些特定目标，可获得的样本数量较少，存在小样本问题。现有技术中，在遥感领域中进行小样本学习的方法主要有以下几种，但是在性能上都存在相应缺陷：(1)进行样本增广的方法，根据已有的训练样本生成相似的伪样本，扩大样本规模。这种方法最直接，但是在某些特定的遥感场景下，可获得的样本数十分有限，即使进行样本增广，可生成的有效伪样本数量也很少，仍然存在小样本问题。(2)基于迁移学习方法，该方法利用已有的丰富样本预训练目标识别网络，然后基于小样本对预训练网络进行微调，但是这样的方法会过适应，只对小样本目标识别准确率高，而在原来的目标识别任务中性能下降。(3)基于度量学习的方法，该方法利用在特征空间中，同类目标距离近，不同类目标距离远的思想，实现目标类别的识别。但是在样本稀缺时，类间差异相对变弱，增大了目标识别难度。
技术实现思路
本专利技术的目的在于避免上述
技术介绍
中的不足之处，提供一种基于度量学习的小样本遥感影像目标识别方法，该方法可以有效解决小样本场景下可见光遥感影像的目标识别问题。为了实现上述目的，本专利技术采用了如下技术方案：一种基于度量学习的小样本遥感影像目标识别方法，包括以下步骤：(1)搜集包含典型目标的遥感影像，制备用于小样本目标识别的遥感影像目标切片数据集；(2)基于度量学习方法，构建k近邻小样本目标识别网络，该网络包括特征提取模块和度量模块；(3)基于阶段式训练方法，对k近邻小样本目标识别网络进行阶段式训练，得到预训练k近邻小样本目标识别网络；(4)在小样本遥感影像目标识别时，从小样本遥感影像中选取训练样本和测试样本，对预训练k近邻小样本目标识别网络进行调整，然后利用调整后的k近邻小样本目标识别网络进行目标识别。进一步的，步骤(1)中所述的包含典型目标的遥感影像来自于遥感影像数据集DOTA、NWPUVHR-10和RSD-GOD。进一步的，步骤(2)中，所述特征提取模块为ResNet256网络，其只包含卷积层，不包含全连接层，其输入为多尺度的遥感影像，输出为遥感影像的特征向量；所述度量模块首先基于k近邻算法筛选出k个与测试目标相似的训练样本，然后基于度量学习计算测试目标和k个训练样本之间的综合距离，并根据综合距离给出测试目标的类别属性。进一步的，步骤(3)的具体方式为：在每一个训练阶段中，从遥感影像目标切片数据集中随机抽选出5类目标，每类目标抽选1个、5个或10个训练样本，此外再选取15个测试样本，然后利用训练样本训练k近邻小样本目标识别网络，再用测试样本测试k近邻小样本目标识别网络，并以测试结果作为评价对网络参数进行反馈调节；如此进行八万次以上的阶段训练，得到预训练k近邻小样本目标识别网络。进一步的，步骤(4)中对预训练k近邻小样本目标识别网络进行调整的具体方式为：在小样本遥感影像中抽取不同种类目标的影像作为训练样本，每类目标抽选1个、5个或10个训练样本，此外再选取15个测试样本，然后利用训练样本训练所述预训练k近邻小样本目标识别网络，再用测试样本测试所述预训练k近邻小样本目标识别网络，并以测试结果作为评价对网络参数进行反馈调节；如此进行多次训练，得到调整后的k近邻小样本目标识别网络。本专利技术与
技术介绍
相比具有如下优点：1、本专利技术克服了现有方法中过拟合、过适应的缺点，改善了小样本遥感影像的目标识别性能。2、本专利技术网络模型结构简单，体量小，采用端到端的训练方式，操作简单。附图说明图1是本专利技术实施例的流程图。图2是本专利技术实施例中k近邻目标识别网络的结构示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的说明。如图1所示，一种基于度量学习的小样本遥感影像目标识别方法，包括以下步骤：(1)搜集包含典型目标的遥感影像，制备用于小样本目标识别的遥感影像目标切片数据集RSD-FSC(RemoteSensingDatasetforFew-ShotClassification)，具体方式为：(101)搜集遥感影像数据，包括DOTA、NWPUVHR-10、RSD-GOD和部分实验室自有数据集，根据标注文件提取目标切片，并对目标切片进行筛选，重新分类，制备RSD-FSC数据集；(102)根据标注文件提取目标切片；(103)对数据类别进行筛选融合，滤除错误标注样本，生成含有样本文件名称和类别属性信息的标注文件。生成的样本标签文本中包含每个样本的名称“filename”，及其对应的标签“label”，例如样本名称为“bridge_1.jpg”，其对应的标签为“bridge”。RSD-FSC数据集共包含21类遥感影像目标切片，分别是航空母舰、油井、油罐、火车、岛屿、军舰、港口、导弹发射基地、大客车、游泳池、桥、网球场、飞机、小汽车、直升机、交通环岛、篮球场、田径场、棒球场、足球场和机场。RSD-FSC数据集包含各类目标的多尺度切片样本，共约十万张，具体数量如表1所示：表1RSD-FSC数据量表(2)构建k近邻小样本目标识别网络；如图2所示，该网络的处理方式为：(201)利用深度残差网络进行遥感影像目标切片的特征提取，获取测试目标的特征向量Ψ(X)＝[x1,x2,...,xn]∈Rd×n，其中xi是目标样本具有d个分量的不同特征，n代表测试目标的特征向量Ψ(X)有n个分量；构建各类目标的特征向量集{[x1,x2,...,xn]1,[x1,x2,...,xn]2,[x1,x2,...,xn]3,...}；(202)基于k近邻算法，在各类目标特征池中，寻找和测试目标各个特征xi前k个相似的特征本例中k为3；(203)基于度量学习算法，计算测试目标和各类目标之间的相似度D：其中，c代表各类目标的特征向量集，Di为在各特征分量下测试样本和训练样本集之间的相似度。(3)基于阶段式训练方法进行网络训练；该方法通过在训练集上随机采样模拟小样本目标识别任务，使模型在测试集上也能实现相似的小样本目标识别任务，提高模型的泛化能力，避免过适应问题；具体来说，在每一个训练阶段中，从16类训练样本中随机抽选出5类目标，每类目标抽选1个、5个或10个训练样本，以及15个测试样本。利用训练样本训练k近邻小样本目标识别网络，用测试样本测试k近邻小样本目标识别网络，并且测试结果作为评价对网络参数进行反馈调节，共进行十万个阶段的训练，得到预训练k近邻小样本目标识别网络。本例中，选取油罐、油井、火车、桥梁、岛屿作为测试集，其他16类目标样本作为训练集。训练时，从训练集上随机采样形成5-wa本文档来自技高网...

【技术保护点】
1.一种基于度量学习的小样本遥感影像目标识别方法，其特征在于，包括以下步骤：/n（1）搜集包含典型目标的遥感影像，制备用于小样本目标识别的遥感影像目标切片数据集；/n（2）基于度量学习方法，构建k近邻小样本目标识别网络，该网络包括特征提取模块和度量模块；/n（3）基于阶段式训练方法，对k近邻小样本目标识别网络进行阶段式训练，得到预训练k近邻小样本目标识别网络；/n（4）在小样本遥感影像目标识别时，从小样本遥感影像中选取训练样本和测试样本，对预训练k近邻小样本目标识别网络进行调整，然后利用调整后的k近邻小样本目标识别网络进行目标识别。/n

【技术特征摘要】
1.一种基于度量学习的小样本遥感影像目标识别方法，其特征在于，包括以下步骤：
（1）搜集包含典型目标的遥感影像，制备用于小样本目标识别的遥感影像目标切片数据集；
（2）基于度量学习方法，构建k近邻小样本目标识别网络，该网络包括特征提取模块和度量模块；
（3）基于阶段式训练方法，对k近邻小样本目标识别网络进行阶段式训练，得到预训练k近邻小样本目标识别网络；
（4）在小样本遥感影像目标识别时，从小样本遥感影像中选取训练样本和测试样本，对预训练k近邻小样本目标识别网络进行调整，然后利用调整后的k近邻小样本目标识别网络进行目标识别。


2.根据权利要求1所述的一种基于度量学习的小样本遥感影像目标识别方法，其特征在于，步骤（1）中所述的包含典型目标的遥感影像来自于遥感影像数据集DOTA、NWPUVHR-10和RSD-GOD。


3.根据权利要求1所述的一种基于度量学习的小样本遥感影像目标识别方法，其特征在于，步骤（2）中，所述特征提取模块为ResNet256网络，其只包含卷积层，不包含全连接层，其输入为多尺度的遥感影像，输出为遥感影像的特征向量；
所述度量模块首先基于k近邻算法筛选出k个与测试目标相似...

【专利技术属性】
技术研发人员：张萌月，陈金勇，王港，王敏，武晓博，帅通，孙康，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北;13