一种基于深度学习的地理空间信息变化检测分类方法及系统技术方案

本发明专利技术公开了一种基于深度学习的地理空间信息变化检测分类方法，包括以下步骤：基于深度学习语义分割与变化检测方法生成编译

【技术实现步骤摘要】
一种基于深度学习的地理空间信息变化检测分类方法及系统


[0001]本专利技术涉及卫星遥感影像
，尤其涉及一种基于深度学习的地理空间信息变化检测分类方法及系统。

技术介绍

[0002]基于遥感影像数据的地理信息数据调查已广泛应用于各领域，但由于地理空间信息具有多样性、复杂性、易变性，数据信息变化难以准确提取，且影响因子较多。关于遥感影像的变化分类，传统的遥感技术大多分析遥感影像的光谱、纹理信息，提取各分类特征采用监督分类方法进行分类，但由于忽略了地理空间关联关系和复杂的内部组成结构，问题较多精度较差；或依赖人工进行检测分类，依赖人力资源且生产效率低，随着遥感影像数据的不断增加，显而易见，传统的遥感技术已经不适用。因此，依托于现如今算力水平的不断提升，基于深度学习语义分割架构模型处理遥感大数据，提取变化特征精确分类的研究具有重要意义。

技术实现思路

[0003]针对现有技术不足问题，本专利技术的目的是提出一种基于深度学习的地理空间信息变化检测分类方法，解决多源遥感影像数据以及地理空间变化关系的混乱、破碎难以系统性的检测分类问题。基于深度学习技术，基于深度学习技术建立基础的动态模型，具备学习能力，基于迁移学习，重训练模型，扩大模型的认知，进而对不同的遥感影像进行系统性、高精度的变化检测与分类。
[0004]本专利技术公开一种基于深度学习的地理空间信息变化检测分类方法，包括以下步骤：
[0005]基于深度学习语义分割与变化检测方法生成编译
‑
解译结构的网络模型，对所述编译
‑
解译结构的网络模型进行训练测试，获得基础模型；
[0006]基于迁移学习技术和所述基础模型，构建迁移学习框架；使用样本数据集在所述迁移学习框架上进行迁移学习，构建迁移学习的新模型；
[0007]所述迁移学习的新模型与所述基础模型整合，形成融合模型；
[0008]根据所述融合模型对待检测遥感影像进行检测分类。
[0009]优选地，样本数据集的获取方法为：清洗历史遥感影像数据并制作地理空间信息变化检测分类的样本数据集。
[0010]优选地，清洗数据并制作地理空间信息变化检测分类的样本数据集，具体步骤为：
[0011]获取历史遥感影像数据，对历史遥感影像数据进行预处理，得到预处理影像数据；
[0012]所述预处理影像数据分割提取纹理特征向量；采用高斯混合聚类方法将纹理特征向量进行聚类，得到带有特征词典的聚类后影像；
[0013]所述聚类后影像进行切片处理，得到样本数据集。
[0014]优选地，基于深度学习语义分割与变化检测方法生成编译
‑
解译结构的网络模型，
对所述编译
‑
解译结构的网络模型进行训练测试，获得基础模型，具体步骤为：
[0015]构建深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型，深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层；
[0016]对所述编译
‑
解译结构的网络模型进行训练、测试，获得基础模型。
[0017]优选地，构建深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型，包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层，包括：
[0018]构建地理空间信息特征提取层，用于生成地理空间信息特征关系矩阵；
[0019]构建地理空间信息特征映射层，用于学习聚类特征向量；
[0020]构建地理空间信息特征输出层，用于输出地理空间信息变化及检测分类结果；
[0021]基于地理空间信息特征提取层、地理空间信息特征映射层和地理空间信息特征输出层，定义一个网络模型。
[0022]优选地，训练、测试完成基础模型，具体步骤如下：
[0023]获取公开影像数据集，公开影像数据集拆分为训练数据、检验数据、测试数据；
[0024]在编译
‑
解译结构的网络模型引入损失函数，评估其对数据集的建模程度，量化评价模型预测值与实际目标值偏离；
[0025]使用训练数据训练模型，再使用检验数据集检验模型，接着通过测试数据测试模型，得到基础模型。
[0026]优选地，基于迁移学习技术和所述基础模型，构建迁移学习框架；使用样本数据集在所述迁移学习框架上进行迁移学习，构建迁移学习的新模型，具体步骤为：
[0027]进入基础模型并冻结所有层，使用基本模型的所有输出特征映射的平均值作为输入权重，在冻结层之上添加新的池层；
[0028]在新的池层上添加用Softmax函数；
[0029]在新的池层上定义修正优化方法并编译模型；
[0030]使用样本数据集中的训练样本和测试样本在新的池层上训练模型；
[0031]调整修正优化方法并使用样本数据集中的测试样本测试模型，得到迁移学习的新模型。
[0032]优选地，对历史遥感影像数据进行预处理，得到预处理影像数据，具体步骤包括：
[0033]清洗预处理遥感影像数据的信号强度或反射率，使之接近真实值；
[0034]计算最小化的均方误差Error公式如下：
[0035][0036]式中，a，b表示系数，s表示实际接收到的信号强度或反射率，表示s的平均值，μ表示真实信号强度或反射率；
[0037][0038]式中，表示方差，s表示实际接收到的信号强度或反射率，表示真实信号强度或反射率，m表示参数，μ、为不同符号代表相同含义。
[0039]优选地，构建地理空间信息特征提取层，用于生成地理空间信息特征关系矩阵，具体步骤为：
[0040]构建全局地理空间信息特征提取单元，应用卷积计算和激活函数，组成特征提取单元，生成当前单元的地理空间信息特征关系矩阵；
[0041]基于样本的离散化过程，应用计算和激活函数提取同内核重叠的输入区域的最大值，组成局部二次特征提取单元，生成当前单元的局部地理空间信息特征关系矩阵；
[0042]在局部二次特征提取单元通过正则化技术注入噪声，增强数据在训练中的难度提高鲁棒性；
[0043]特征提取单元和局部二次特征提取单元组成特征基本提取层；所述地理空间信息特征提取层的输入为上一层地理空间信息特征提取层的输出，第一层地理空间信息特征提取层的输入为样本；所述地理空间信息特征提取层为多层并跨层组合分布，特征提取层的输入为上一层地理空间信息特征提取层的输出，特征提取层的输出为下一层地理空间信息特征提取层的输入，第一层地理空间信息提取层的输入为样本，最终一层地理空间信息特征提取层的输出为第一层地理空间信息特征映射层的输入；
[0044]构建地理空间信息特征映射层，用于学习聚类特征向量；具体步骤为：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，包括以下步骤：基于深度学习语义分割与变化检测方法生成编译
‑
解译结构的网络模型，对所述编译
‑
解译结构的网络模型进行训练测试，获得基础模型；基于迁移学习技术和所述基础模型，构建迁移学习框架；使用样本数据集在所述迁移学习框架上进行迁移学习，构建迁移学习的新模型；所述迁移学习的新模型与所述基础模型整合，形成融合模型；根据所述融合模型对待检测遥感影像进行检测分类。2.根据权利要求1所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于：样本数据集的获取方法为：清洗历史遥感影像数据并制作地理空间信息变化检测分类的样本数据集。3.根据权利要求2所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，清洗历史遥感影像数据并制作地理空间信息变化检测分类的样本数据集，具体步骤为：获取历史遥感影像数据，对历史遥感影像数据进行预处理，得到预处理影像数据；所述预处理影像数据分割提取纹理特征向量；采用高斯混合聚类方法将纹理特征向量进行聚类，得到带有特征词典的聚类后影像；所述聚类后影像进行切片处理，得到样本数据集。4.根据权利要求3所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，基于深度学习语义分割与变化检测方法生成编译
‑
解译结构的网络模型，对所述编译
‑
解译结构的网络模型进行训练测试，获得基础模型，具体步骤为：构建深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型，深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层；对所述编译
‑
解译结构的网络模型进行训练、测试，获得基础模型。5.根据权利要求4所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，构建深度学习语义分割与变化检测方法的编译
‑
解译结构的网络模型，包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层，包括：构建地理空间信息特征提取层，用于生成地理空间信息特征关系矩阵；构建地理空间信息特征映射层，用于学习聚类特征向量；构建地理空间信息特征输出层，用于输出地理空间信息变化及检测分类结果；基于地理空间信息特征提取层、地理空间信息特征映射层和地理空间信息特征输出层，定义一个网络模型。6.根据权利要求4所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，训练、测试完成基础模型，具体步骤如下：获取公开影像数据集，公开影像数据集拆分为训练数据、检验数据、测试数据；在编译
‑
解译结构的网络模型引入损失函数，评估其对数据集的建模程度，量化评价模型预测值与实际目标值偏离；
使用训练数据训练模型，再使用检验数据集检验模型，接着通过测试数据测试模型，得到基础模型。7.根据权利要求3所述的一种基于深度学习的地理空间信息变化检测分类方法，其特征在于，基于迁移学习技术和所述基础模型，构建迁移学习框架；使用样本数据集在所述迁移学习框架上进行迁移学习，构建迁移学习的新模型，具体步骤为：进入基础模型并冻结所有层，使用基本模型的所有输出特征映射的平均值作为输入权重，在冻结层之上添加新的池层；在新的池层上添加用Softmax函数；在新的池层上定义修正优化方法并编译模型；使用样本数据集中的训练样本和测试样本在新的池层上训练...

【专利技术属性】
技术研发人员：吴磊，孙世山，尹治平，
申请(专利权)人：苏州深蓝空间遥感技术有限公司，
类型：发明
国别省市：