多源遥感数据分类模型训练方法、分类方法和电子设备技术

本申请提供多源遥感数据分类模型训练方法、分类方法和电子设备，属于图像处理技术领域，其中，分类模型包括特征生成网络和地物分类器，特征生成网络用于提取多源湿地遥感数据的共性特征和特异性特征，训练方法包括：将判别器和特征生成网络进行至少一轮交替训练，在判别器训练阶段最小化判别器损失函数，使判别器能够对共性特征进行模态分类；在特征生成网络训练阶段最大化判别器损失函数，共性特征和特异性特征线性独立。通过对抗学习保证共性特征不能被模态分类器区分，同时特异性特征与共性特征线性独立，与特异性特征优势互补，一定程度避免了多源特征的冗余性。程度避免了多源特征的冗余性。程度避免了多源特征的冗余性。

【技术实现步骤摘要】
多源遥感数据分类模型训练方法、分类方法和电子设备


[0001]本专利技术涉及图像处理
，具体涉及多源遥感数据分类模型训练方法、分类方法和电子设备。

技术介绍

[0002]随着高分系列卫星的发射，遥感数据储量日益丰富，为开展滨海湿地遥感监测提供了有利条件。遥感数据往往具有多种异质图像，例如光谱图像、激光雷达图像、合成孔径雷达图像等。以光谱图像为例，光谱图像可以包括高光谱图像（Hyperspectral Image, HSI）和多光谱图像（Multispectral Image, MSI），其中，高光谱图像能够提供从可见光谱到红外光谱的光谱信息。因此，高光谱图像能够反映被观测物体的物质特性，从而有利于地物的精细识别。然而，高光谱成像系统为了满足信噪比要求，其成像的空间分辨率相对较低。相比之下，多光谱图像的光谱分辨率相对较低，而其空间纹理信息更为丰富，能够与高光谱图像形成互补。因此，在海量的遥感数据投入应用的同时，亟需自动、快速、大范围的多源遥感数据需要进行协同分类。
[0003]近年来，兴起了很多有关于多源遥感数据协同分类方法研究，主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源遥感数据分类模型训练方法，其特征在于，所述分类模型包括特征生成网络和地物分类器，所述特征生成网络用于提取多源湿地遥感数据的共性特征和特异性特征，所述训练方法包括：将判别器和所述特征生成网络进行至少一轮交替训练，得到训练后的特征生成网络，其中，每一轮交替训练中，包括至少一次判别器训练阶段和至少一次特征生成网络训练阶段，在判别器训练阶段最小化判别器损失函数，使所述判别器能够对共性特征进行模态分类，且使所述共性特征和特异性特征距离小于预设距离；在特征生成网络训练阶段最大化所述判别器损失函数，直至所述特征生成网络生成的共性特征不能被预所述判别器进行模态分类，且所述共性特征和所述特异性特征线性独立。2.如权利要求1所述的多源遥感数据分类模型训练方法，其特征在于，当前轮次交替训练中的判别器的训练样本为上一轮交替训练完成后所述特征生成网络提取的共性特征和特异性特征。3.如权利要求2所述多源遥感数据分类模型训练方法，其特征在于，对所述判别器进行第一次训练的过程包括：利用初始的特征生成网络提取多源湿地遥感数据的初始共性特征和初始特异性特征；利用初始共性特征和初始特异性特征对所述判别器进行训练，使训练后的判别器能够对初始共性特征进行模态分类，且，使所述共性特征和特异性特征距离小于预设距离。4.如权利要求1所述的多源遥感数据分类模型训练方法，其特征在于，所述将判别器和所述特征生成网络进行至少一轮交替训练包括：在判别器训练阶段最小化模态分类器损失函数，使得模态分类器能够对共性特征进行模态分类，同时，最小化均方误差损失函数，使所述共性特征和所述特异性特征的距离小于预设距离；在特征生成网络训练阶段最大化所述模态分类器损失函数，直至所述特征生成网络生成的共性特征不能够被当前轮次训练后的模态分类器进行模态分类，同时，最大化均方误差损失函数，直至所述共性特征和所述特异性特征线性独立。5.如权利要求1所述的多源遥感数据分类模型训练方法，其特征在于，还包括：构建特征重建网络，所述特征重建网络用于对所述共性特征和所述特异性特征向所述多源湿地遥感数据原始特征进行重建，得到重建共性特征和重建特异性特征；在将判别器和所述特征生成网络进行至少一轮交替训...

【专利技术属性】
技术研发人员：王建步，高云浩，朱文博，马元庆，胡亚斌，秦华伟，宋秀凯，李伟，宋莎莎，隋傅，王玮云，
申请(专利权)人：山东省海洋资源与环境研究院山东省海洋环境监测中心，山东省水产品质量检验中心北京理工大学，
类型：发明
国别省市：