一种跨域高分辨率遥感图像典型目标细粒度识别方法技术

本发明专利技术公开了一种跨域高分辨率遥感图像典型目标细粒度识别方法，涉及遥感图像技术领域，包括以下步骤：获取典型目标的跨域高分辨率遥感图像，对源域高分辨率遥感图像进行预训练；利用预训练得到的深度神经网络对高分辨率遥感图像进行公共域不变特征提取；根据公共域不变特征构建典型目标的细粒度视觉并进行识别。本发明专利技术通过源域高分辨率遥感图像预训练，公共域不变特征提取，典型目标的细粒度视觉构建与识别，解决跨域条件下高分遥感图像典型目标的细粒度识别问题，提升识别的有效性与精度。度。度。

【技术实现步骤摘要】
一种跨域高分辨率遥感图像典型目标细粒度识别方法


[0001]本专利技术涉及遥感图像
，具体为一种跨域高分辨率遥感图像典 型目标细粒度识别方法。

技术介绍

[0002]随着对地观测技术的进步，以及地球成像卫星系统、天基侦察系统的 不断发展，卫星的重访周期逐渐缩短，尤其是星座组网技术的不断进步， 使得遥感图像的时空分辨率逐渐提高，可利用的卫星遥感图像呈指数级地 增长，更新速度也逐步加快。传统方式逐渐不能满足遥感信息高效处理的 需求，亟需发展智能化分析与有效的数据挖掘方法。
[0003]高分遥感已经进入了“三高”(高空间分辨率、高光谱分辨率、髙时间 分辨率)和“三多”(多平台、多传感器和多角度)时代。这给遥感信息的处 理提供了极为丰富的数据源，同时也带来了挑战。
[0004]由于高分遥感图像具有跨域特性，典型目标则具有细粒度特性，导致 跨域迁移难、精细识别难问题。

技术实现思路

[0005]本专利技术针对上述现有技术存在的不足，提供一种跨域高分辨率遥感图 像典型目标细粒度识别方法，解决跨域条件下典型目标的细粒度识别问题。
[0006]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0007]一种跨域高分辨率遥感图像典型目标细粒度识别方法，包括以下步骤：
[0008]获取典型目标的跨域高分辨率遥感图像，对源域高分辨率遥感图像进 行预训练；
[0009]利用预训练得到的深度神经网络对高分辨率遥感图像进行公共域不变 特征提取；
[0010]根据公共域不变特征构建典型目标的细粒度视觉并进行识别。
[0011]作为本专利技术的进一步技术方案为，所述获取典型目标的跨域高分辨率 遥感图像，对源域高分辨率遥感图像进行预训练；具体包括：
[0012]设遥感图像源域目标训练样本D＝(x
i
,t
i
)，i＝1,2,
…
,n，n为训练样本总 数，x
i
为样本，t
i
为样本标签；
[0013]利用深度神经网络对样本进行训练，其中，定义W为网络参数，H为 网络结构，此时样本训练误差E
D
可以如下表示：
[0014][0015]其中，f()为网络对于典型目标训练样本的实际输出值，考虑到训练 学习过程中网络参数权重的影响，在训练误差后加上权重衰减项E
W
：
[0016][0017]其中，m表示网络中的参数数量.w
i
为权重；因此整体训练误差可以如 下表示：
[0018]F(W)＝βE
D
+αE
W
；
ꢀꢀꢀ
(3)
[0019]其中，α、β是超参数，要用来对网络参数的分布形式进行控制；
[0020]然后，利用贝叶斯公式对超参数α、β进行推断表示和计算求解，其后 验分布形式如下：
[0021][0022]由于式(4)中p(D|H)与α、β无关，所以，模型参数最大后验求解问题 等价于最大似然函数P(D|α,β,H)的计算求解。
[0023]设F(W)取最小值时所对应的权值为W
MP
，利用最大似然原理，求出满足 最大似然函数的α、β，即得到网络最优的超参数，如下所示，
[0024][0025]其中，表示网络中有多少参数在训练过程中起作 用，其取值范围是[0,m]，m表示网络参数的总体数量；
[0026]在对网络模型进行优化求解时，需要对F(W)在其最小点W
MP
处的 Hessian矩阵进行求解计算，即这里采用高斯
‑
牛顿逼近法对 Hessian阵进行简化，得到其中J是E
D
在点W
MP
的雅可 比矩阵，I
m
为单位矩阵。
[0027]进一步地，所述α、β是超参数，在初始化超参数时，设定α＝0和β＝1， 对网络参数赋予初始值。
[0028]作为本专利技术的进一步技术方案为，所述利用预训练得到的深度神经网络对 高分辨率遥感图像进行公共域不变特征提取；具体包括：
[0029]深度神经网络作为公共域不变特征的初始提取网络，定义该网络为Z， 源域中样本为x
i
，样本标签为t
i
，目标域中样本为x
j
；此时，源域样本分 类损失可以表示为：
[0030]L
cls
＝Φ
i
(Z(x
i
)),y
i
；
ꢀꢀꢀ
(6)
[0031]Φ
i
为特定的线性层；
[0032]定义源域、目标域的域判别模型损失：
[0033]L
D
(D(x
(i)
,x
(j)
))＝E[log D(G(x
(i)
))]+E[log(1
‑
D(G(x
(j)
)))]；
ꢀꢀꢀ
(7)
[0034]定义欺骗域判别模型的损失：
[0035]L
G
(G(x
(i)
,x
(j)
))＝||E[G(x
(i)
)]‑
E[G(x
(j)
)]||2；
ꢀꢀꢀ
(8)
[0036]定义总体损失：
[0037]L
total
＝L
cls
+L
D
(D(x
(i)
,x
(j)
))+L
G
(G(x
(i)
,x
(j)
))；
ꢀꢀꢀ
(9)
[0038]将总体损失作为目标函数进行优化求解，得到公共域不变特征。
[0039]作为本专利技术的进一步技术方案为，所述根据公共域不变特征构建典型目标 的细粒度视觉并进行识别；具体包括：
[0040]根据提取公共域不变特征的主干网络获取局部判别性区域；
[0041]对局部判别性区域进行注意力聚焦，进行强制学习局部判别性区域；
[0042]对局部判别性区域进行注意力转移，获得全局
‑
多局部判别性区域融 合特征矩
阵；
[0043]对全局
‑
多局部判别性区域融合特征矩阵进行分类，实现细粒度识别。
[0044]进一步地，所述根据公共域不变特征提取的主干网络获取局部判别性 区域；具体包括：
[0045]公共域不变特征主干网络生成N个特征Maps，可以表示为F∈R
H
×
W
×
N
， 其中，H、W、N分别表示高度，宽度与通道数；随后特征Maps经过卷积 运算f(
·
)得到M个注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域高分辨率遥感图像典型目标细粒度识别方法，其特征在于，包括以下步骤：获取典型目标的跨域高分辨率遥感图像，对源域高分辨率遥感图像进行预训练；利用预训练得到的深度神经网络对高分辨率遥感图像进行公共域不变特征提取；根据公共域不变特征构建典型目标的细粒度视觉并进行识别。2.根据权利要求1所述的方法，其特征在于，所述获取典型目标的跨域高分辨率遥感图像，对源域高分辨率遥感图像进行预训练；具体包括：设遥感图像源域目标训练样本D＝(xi,ti)，i＝1,2,
…
,n，n为训练样本总数，xi为样本，ti为样本标签；利用深度神经网络对样本进行训练，其中，定义W为网络参数，H为网络结构，此时样本训练误差ED可以如下表示：其中，f()为网络对于典型目标训练样本的实际输出值，考虑到训练学习过程中网络参数权重的影响，在训练误差后加上权重衰减项E
W
：其中，m表示网络中的参数数量.w
i
为权重；因此整体训练误差可以如下表示：F(W)＝βE
D
+αE
W
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，α、β是超参数，要用来对网络参数的分布形式进行控制；然后，利用贝叶斯公式对超参数α、β进行推断表示和计算求解，其后验分布形式如下：由于式(4)中p(D|H)与α、β无关，所以，模型参数最大后验求解问题等价于最大似然函数P(D|α,β,H)的计算求解。设F(W)取最小值时所对应的权值为W
MP
，利用最大似然原理，求出满足最大似然函数的α、β，即得到网络最优的超参数，如下所示，其中，表示网络中有多少参数在训练过程中起作用，其取值范围是[0,m]，m表示网络参数的总体数量；在对网络模型进行优化求解时，需要对F(W)在其最小点W
MP
处的Hessian矩阵进行求解计算，即这里采用高斯
‑
牛顿逼近法对Hessian阵进行简化，得到其中J是E
D
在点W
MP
的雅可比矩阵，I
m
为单位矩阵。3.根据权利要求2所述的方法，其特征在于，所述α、β是超参数，在初始化超参数时，设定α＝0和β＝1，对网络参数赋予初始值。4.根据权利要求1所述的方法，其特征在于，所述对源域高分辨率遥感图像预训练得到的深度神经网络进行公共域不变特征提取；具体包括：
深度神经网络作为公共域不变特征的初始提取网络，定义该网络为Z，源域中样本为x
i
，样本标签为t
i
，目标域中样本为x
j
；此时，源域样本分类损失可以表示为：L
cls
＝Φ
i
(Z(x
i
)),y
i
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)Φ
i
为特定的线性层；定义源域、目标域的域判别模型损失：L
D
(D(x
(i)
,x
(j)
))＝E[logD(G(x
(i)
))]+E[log(1
‑
D(G(x
(j)
)))]；
ꢀꢀꢀ
(7)定义欺骗域判别模型的损失：L
G
(G(x
(i)
,x
(j)
))＝||E[G(x
(i)
)]
‑
E[G(x
(j)
)]||2；
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)定义总体损失：L
total
＝L<...

【专利技术属性】
技术研发人员：李斌全，吴兰，龚丽爽，郭鑫，王瞧，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：