【技术实现步骤摘要】
用于遥感影像的神经网络模型预训练方法、装置
本专利技术涉及数据处理领域，尤其涉及用于遥感影像的神经网络模型预训练方法、装置。
技术介绍
遥感影像的时间序列通常由同一地理位置进行多次重复观测而获取的遥感影像按照时间顺序排序所形成。时间序列相关数据记录地表覆盖状态随时间的变化过程，其中蕴含了丰富的植被物候、种植模式等规律性信息。可以用于提高植被等地表覆盖状态分类的可靠性。现有技术中，通常是直接采用带有标签的遥感影像输入神经网络模型之中进行训练学习。但在实践之中，神经网络模型的充分训练学习需要海量的标记样本才有可能得以实现，而这些标记样本只能通过地面调查或人工目视解译的方式获取，其人力、物力成本极高，且标记样本的数量和质量往往难以满足深度学习模型的训练要求，导致深度学习的技术优势难以充分发挥，所以在遥感影像领域应用神经网络模型进行分类，现阶段仍然还处于理论阶段。
技术实现思路
专利技术目的：本专利技术旨在提供一种用于遥感影像的神经网络模型预训练方法、装置，以期解决神经网络模型的训练高度依赖海量标
【技术保护点】
1.一种用于遥感影像的神经网络模型预训练方法，其特征在于，包括：/n将观测地点的遥感影像按照时间排序得到包括原始值的时间序列；所述原始值包括观测地点的原始光谱值和对应的时间信息；/n对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列；/n将观测时间序列中的元素变换为观测编码向量后输入至神经网络模型，获取观测编码向量对应的隐藏状态向量；/n将观测值对应的隐藏状态向量映射至原始光谱值的维度得到预测光谱值，基于预测光谱值与对应的原始光谱值之间的误差，对神经网络模型进行训练；/n训练完毕后，将带有标签的遥感影像时间序列输入神经网络模型进行学习。/n
【技术特征摘要】
1.一种用于遥感影像的神经网络模型预训练方法，其特征在于，包括：
将观测地点的遥感影像按照时间排序得到包括原始值的时间序列；所述原始值包括观测地点的原始光谱值和对应的时间信息；
对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列；
将观测时间序列中的元素变换为观测编码向量后输入至神经网络模型，获取观测编码向量对应的隐藏状态向量；
将观测值对应的隐藏状态向量映射至原始光谱值的维度得到预测光谱值，基于预测光谱值与对应的原始光谱值之间的误差，对神经网络模型进行训练；
训练完毕后，将带有标签的遥感影像时间序列输入神经网络模型进行学习。
2.根据权利要求1所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述将观测地点的遥感影像按照时间排序得到包括原始值的时间序列，包括：
对观测地点的遥感影像进行逐像素提取得到原始光谱值，并结合对应的时间信息作为观测地点的原始值，将原始值按照时间排序得到时间序列；
对原始值的原始光谱信息进行噪声剔除处理和标准化。
3.根据权利要求2所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列，包括：
挑选时间序列中预设部分的原始值作为观测值，将所述预设部分的原始光谱值分别添加正噪声和负噪声后得到的光谱值，作为观测值的观测光谱值。
4.根据权利要求3所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述观测时间序列中的元素变换为观测编码向量，包括：
将光谱值和对应的时间信息转换为向量后进行组合，形成观测编码向量。
5.根据权利要求4所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述将观测时间序列中的元素变换为观测编码向量，包括：
将光谱值采用以下公式映射为K维向量：
Qi=ciW，
其中，ci表示按照观测时间序列排序的第i个光谱值，Qi表示映射得到的第i个光谱值编码向量，W表示可训练的变换矩阵；
将时间信息采用以下公式编码为P维向量：
，
其中，ti表示按照观测时间排序的第i个观测值对应的时间信息，Ti表示编码得到的第i个时间信息编码向量，Ti(p)表示Ti的第p维元素；
将光谱值编码向量Qi和时间信息编码向量Ti按照以下任意一种公式进行组合得到观测编码向量：
Zi=Qi+Ti；Zi=[Qi,Ti]，
其中，Zi表示第i个观测编码向量。
6.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。