基于双原型网络的遥感图像小样本场景分类方法技术

本发明专利技术提供了一种基于双原型网络的遥感图像小样本场景分类算法。首先，该发明专利技术利用支持标签的监督信息对支持特征生成的原型进行原型自校准，获得更准确的原型。然后，以校准后的较精准原型作为基础，将查询样本的预测结果通过变换作为查询原型，利用查询原型来反向预测支持样本。这个过程中，支持样本和查询样本之间的信息交互是对原型的进一步校准，称之为原型互校准。该发明专利技术优化了三个损失，其中自校准损失和互校准损失有助于模型学习更具有代表性的原型，做出更准确的预测。由于网络不需要学习额外的参数，该发明专利技术的模型非常轻量且易于使用。在三个公开遥感数据集上的实验表明，该方法与其他先进的小样本图像分类方法相比具有较好的分类性能。具有较好的分类性能。具有较好的分类性能。

【技术实现步骤摘要】
基于双原型网络的遥感图像小样本场景分类方法


[0001]本专利技术属于遥感影像识别领域，尤其涉及一种基于双原型网络的遥感图像小样本场景分类方法。

技术介绍

[0002]遥感影像场景分类在现实世界中有着广泛的应用，如自然灾害检测、土地利用分类、城市规划等。近年来，深度学习已经成为遥感场景分类的强大手段。然而，遥感图像的场景分类仍然存在两个基本问题。第一，虽然它可以对训练阶段看到过的场景类别的测试样本进行较高的准确率预测，但在面对训练阶段从未见过的类别样本时，可能会陷入困境。第二，众所周知，传统的深度学习方法的训练过程需要大量的标记数据，这些数据在新的未知环境中很难获得。在这种背景下，遥感图像的小样本场景分类算法的研究近两年受到广泛关注。小样本学习的宗旨便是从极少量的样本中学习到新的概念。
[0003]目前已有的小样本图像分类方法，概括起来可以分为基于模型的小样本图像分类算法、基于度量的小样本图像分类算法、基于优化的小样本图像分类算法和基于数据扩增的小样本图像分类算法四大类。基于模型的方法旨在通过设计模型结构快速更新少量样本的参数，并直接建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双原型网络的遥感图像小样本场景分类方法，其特征在于，包括如下步骤：(1)准备数据：将遥感图像数据集划分为基类数据集和新类数据集，并进行数据预处理，将预处理后的基类数据集图像划分为支持集和查询集；(2)特征提取：按任务从基类数据集中随机选取支持集样本和查询集样本，分别送入ResNet
‑
18网络进行特征的提取，分别得到支持样本特征和查询样本特征，并且采用全局平均池化操作，将特征映射到n
×1×
1的维度空间中；其中，n表示通道数；(3)根据支持样本和查询样本分别计算原始原型和查询原型，基于原始原型和查询样本特征计算原始损失，基于原始原型和支持样本特征计算自校准损失，基于原始原型和查询原型计算互校准损失，并进行加权得到总体损失值，根据总体损失值调整ResNet
‑
18网络参数，返回步骤(2)，直至损失函数收敛；(4)利用新类数据集中有标签样本对训练后的ResNet
‑
18网络进行优化，然后基于优化后的ResNet
‑
18网络提取遥感图像的特征，采用余弦度量与softmax分类器相结合的方式进行遥感图像分类。2.根据权利要求1所述的基于双原型网络的遥感图像小样本场景分类方法，其特征在于，所述步骤(1)中将遥感图像数据集划分为基类数据集和新类数据集，包括以下过程：将遥感图像数据集D划分为基类数据集D
base
和新类数据集D
novel
，基类数据集D
base
和新类数据集D
novel
中的类别不存在重合；基类数据集D
base
中的图像均带有标签，用来训练网络；新类数据集D
novel
中每个类别仅有k张有标签图像，用来调整ResNet
‑
18网络，其余无标签图像均用来测试网络性能；其中k为设定值。3.根据权利要求1所述的基于双原型网络的遥感图像小样本场景分类方法，其特征在于，所述步骤(3)中计算支持样本特征和查询样本特征的原始损失、自校准损失和互校准损失，并进行加权得到总体损失值，具体过程包括：计算原始损失L
ori
：首先计算每...

【专利技术属性】
技术研发人员：高峰，武晓博，张萌月，陈金勇，王港，程塨，蔡黎明，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：