【技术实现步骤摘要】
基于嵌入平滑图神经网络的小样本遥感图像场景分类方法
[0001]本专利技术属于遥感图像识别领域，涉及一种基于嵌入平滑图神经网络的小样本遥感图像场景分类方法。
技术介绍
[0002]场景分类是遥感图像处理与分析的重要组成部分，具有很好的应用前景。场景分类是将场景图像按照内容的不同划分为相应的场景类，广泛应用于土地利用、土地覆盖、城市规划、地质灾害监测、交通管理等方面。在遥感图像的目标识别中，由于机载雷达、遥感卫星图像采集的高成本和高难度，所以只能采集到少量图像作为训练模板，因此需要小样本识别系统的协助。其中，小样本遥感图像场景分类能够在仅存少量标注图片但类别信息较多的情况下发挥巨大的作用，因此基于小样本的遥感场景分类就得到了很好的发展。
[0003]现有的解决场景分类问题最常用的方法是利用大规模遥感数据训练深度神经网络。近年来，一些研究学者采用迁移学习或元学习的思想来解决标记数据较少的场景分类任务，迁移学习将某个领域或任务上学习到的知识或模式应用到不同但相关的问题中，通过与目标任务相似的元学习来训练网络，模拟真实的测试...
【技术保护点】
【技术特征摘要】
1.一种基于嵌入平滑图神经网络的小样本遥感图像场景分类方法，其特征在于，该方法具体包括以下步骤：S1：收集遥感图像，构建训练集、测试集和验证集；S2：从训练集中，随机采样多个小样本数据集，每个小样本数据集都分为支撑集和查询集；S3：通过嵌入学习模块提取场景嵌入特征，将支撑集每个类的样本和查询集样本x
i
同时输入到特征提取网络f
θ
中，得到嵌入特征Z；S4：将得到的嵌入特征Z输入到嵌入平滑模块中转化为一组插值特征，进而平滑嵌入特征；S5：采用注意力机制将平滑的嵌入特征转化为任务特征的关系表示，从而对支撑集中不同类别的样本和查询集样本进行图的构造，进而得到支持集样本和查询集样本节点之间的距离和任务的关系；S6：计算支撑集样本与查询集样本的类别相似度，利用标签匹配模块对图像进行类名标注，即通过直推式学习迭代生成查询集中样本的预测标签，直到得到最优解；S7：计算查询集中样本的真实标签与预测标签之间的交叉熵损失，并通过端到端的反向传播的方式更新各个模块的参数；S8：重复步骤S2～S7，直到各个模块或网络的参数收敛。2.根据权利要求1所述的小样本遥感图像场景分类方法，其特征在于，步骤S4中，平滑嵌入特征，具体包括以下步骤：步骤S41：计算嵌入特征中查询集样本和支撑集样本的成对特征(i,j)的距离d
ij
，根据得到的距离构建相邻矩阵；步骤S42：计算相邻矩阵的拉普拉斯算子，用于平滑嵌入特征。3.根据权利要求2所述的小样本遥感图像场景分类方法，其特征在于，步骤S41中，构建的相邻矩阵A
ij
的计算公式为：其中，σ为尺度参数，并且对于任意测试样本i，A
ii
＝0，即任何测试样本和自身都应该属于同一类；当σ＝std(d
ij
)时，训练阶段是很稳定；std(
·
)表示支撑集样本和查询集样本特征距离的标准差。4.根据权利要求3所述的小样本遥感图像场景分类方法，其特征在于，步骤S42中，相邻矩阵的拉普拉斯算子S的计算公式为：矩阵的拉普拉斯算子S的计算公式为：其中，D
ii
表示图的度矩阵；通过标签传播公式，得到支撑集和查询集的传播矩阵，然后通过以下公式操作得到平滑之后的嵌入特征，其计算公式为：
其中，处理前的嵌入特征由嵌入学习模块得到，其中，处理前的嵌入特征由嵌入学习模块得到，为尺度参数，I为单位矩阵，其领域的加权组合得到平滑的嵌入特征5.根据权利要求4所述的小样本遥感图像场景分类方法，其特征在于，步骤S5中，采用注意力机制将平滑的嵌入特征转化为任务特征的关系表示，具体包括以下步骤：S51：给定光滑的嵌入特征对于节点i，利用注意力机制产生更具分辨性的特征表示得到目标嵌入特征与任务中所有其他样本特征的对应关系值；S52：构造k
‑
最邻近图，即找出测试样本附近的k个最近样本，矩阵A的每一行保留前k个最大值，然后在A上应用归一化图拉普拉斯，构建图结构，即节点之间的相似度矩阵。6.根据权利要求5所述的小样本遥感图像场景分类方法，其特征在...
【专利技术属性】
技术研发人员：袁正午，唐婵，徐发鹏，占希玲，徐水英，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。