基于分组式主动学习在光学遥感图像上的识别方法技术

本发明专利技术公开了一种基于分组式主动学习在光学遥感图像上的识别方法，选择两个样本进行训练获得两个直接训练的识别网络，再交叉两组识别网络互为迁移学习的预训练模型，读入网络结构进行初始化，依次选取10％、10％～15％、15％～20％、20～25％以及25％～30％，直至40％的样本在网络中训练，经最优次优策略筛选，网络识别率满足要求，一个批次所需要处理的样本数量降低，能够减少计算机内存以及显存的压力，缓解了计算资源不足的问题。

【技术实现步骤摘要】
基于分组式主动学习在光学遥感图像上的识别方法
本专利技术涉及计算机
，尤其涉及一种基于分组式主动学习在光学遥感图像上的识别方法。
技术介绍
光学遥感图像的识别能够对土地资源利用以及土地使用规划方面提供有效支持，使用机器学习对光学遥感图像进行识别是未来的发展趋势，但是机器学习有效训练一个识别网络需要大量的标签数量，而遥感图像样本没有相应的标签，需要人力标注，同时使用遥感图像大多情况下标注需要专业人士进行，也需要消耗大量人力资源。
技术实现思路
本专利技术的目的在于提供一种基于分组式主动学习在光学遥感图像上的识别方法，通过采取分组式主动学习减少训练网络所需要的标注样本数量，缓解计算资源不足的问题。为实现上述目的，本专利技术采用的一种基于分组式主动学习在光学遥感图像上的识别方法，包括下列步骤：构建识别网络，数据集初始化；选取10％的数据导入所述识别网络训练，获取真实数据种类；聚类处理10％～15％阶段数据；信息熵15％～20％阶段数据，筛选20％～25％阶段数据；<br>使用最优次优策本文档来自技高网...

【技术保护点】
1.一种基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，包括下列步骤：/n构建识别网络，数据集初始化；/n选取10％的数据导入所述识别网络训练，获取真实数据种类；/n聚类处理10％～15％阶段数据；/n信息熵15％～20％阶段数据，筛选20％～25％阶段数据；/n使用最优次优策略筛选25％～30％阶段数据；/n重复数据处理步骤至40％，获取识别结果。/n

【技术特征摘要】
1.一种基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，包括下列步骤：
构建识别网络，数据集初始化；
选取10％的数据导入所述识别网络训练，获取真实数据种类；
聚类处理10％～15％阶段数据；
信息熵15％～20％阶段数据，筛选20％～25％阶段数据；
使用最优次优策略筛选25％～30％阶段数据；
重复数据处理步骤至40％，获取识别结果。


2.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，构建识别网络，数据集初始化的具体步骤为，选取两个样本集进行训练，获取两个直接训练的识别网络，两个所述识别网络交叉作为对方的迁移学习的预训练网络模型，并读入网络结构用于初始化。


3.如权利要求2所述的基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，所述预训练网络模型为GoogleNet模型。


4.如权利要求1所述的基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，使用的训练样本为UcMerced_LandUse数据集和AID数据集，规则化所有样本数据尺寸为256x256。


5.如权利要求4所述的基于分组式主动学习在光学遥感图像上的识别方法，其特征在于，选取10...

【专利技术属性】
技术研发人员：沈昶宇，罗永伦，高文宁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51