一种基于原型对比学习的半监督遥感图像检索方法及系统技术方案

本发明专利技术公开了一种基于原型对比学习的半监督遥感图像检索方法及系统，在不额外引入margin超参数的前提下，在学习过程中最大化类间方差同时最小化类内方差。接着，提出基于原型的无监督对比学习损失利用未标记数据优化半监督模型，将双分支改进为单分支，不依赖于数据增强构造正样本对，而是根据标记数据的原型为未标记数据分配伪标签，然后利用伪标签构建正负对来进行对比学习，从而充分挖掘未标记数据中隐藏的语义信息来增强模型的特征提取能力。最后，提出了多分支注意力模块，在不同尺度的图像信息上提取注意力权重，可以有效捕获遥感图像的多尺度信息并突出与场景相关的特征，同时可以捕获主干网络无法提取到的遥感图像长距离依赖关系。像长距离依赖关系。像长距离依赖关系。

【技术实现步骤摘要】
一种基于原型对比学习的半监督遥感图像检索方法及系统


[0001]本专利技术属于图像处理
，涉及一种基于原型对比学习的半监督遥感图像检索方法及系统。

技术介绍

[0002]随着地球观测技术的快速发展，遥感图像的数量急剧增加，管理好这些大量的遥感图像是一项艰巨的任务。
[0003]研究人员已经开发出许多遥感图像检索的方法。特别是当深度学习方法出现之后，有大量的研究描述了深度学习方法在遥感图像检索领域的成功应用。然而训练深度神经网络通常需要大量的标记样本，这对于遥感图像来说尤其繁琐，因为它们的内容复杂，人工完成遥感图像标注需要专业知识和大量的时间成本。因此有大量的研究在无监督学习范式下开发深度模型来解决上述问题，但是这些无监督深度模型由于没有先验知识，在遥感图像检索上的性能无法满足需求。
[0004]缓解上面提到的这些问题的一种方法是应用半监督学习方法。半监督学习旨在同时使用标记样本和未标记样本训练模型，目前最新进展有望节省人工标记所需的大量时间和成本，这在遥感领域引起了很多关注，有许多半监督学习方法被提出应用于遥感图像检索。虽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于原型对比学习的半监督遥感图像检索方法，其特征在于，包括如下步骤：获取标记图像的特征向量和无标记图像的特征向量；将标记图像的特征向量和无标记图像的特征向量均输入至多分支注意力模块，分别获取第一判别特征图和第二判别特征图；将第一判别特征图依次输入至两个全连接层后输出有监督特征向量；将第二判别特征图输入至全连接层后输出无监督特征向量；根据有监督特征向量获取有监督损失值，根据无监督特征向量获取无监督分支损失值；根据有监督损失值获取有监督分支损失值，根据有监督分支损失值和无监督分支损失值获取半监督目标函数；根据有监督特征向量、无监督特征向量、有监督分支损失值和半监督目标函数获取模型权值，利用权值进行检索，实现图像检索。2.根据权利要求1所述的基于原型对比学习的半监督遥感图像检索方法，其特征在于，获取标记图像的有监督特征向量f
ij
；根据标记图像的有监督特征向量f
ij
获取minibatch内每个类的原型p
i
方法如下：根据标记图像的有监督特征向量f
ij
和每个类的原型p
i
获取有监督损失值L
ss
方法如下：其中，f
ij
为标记图像的第i类的第j个有监督特征向量；k为类别个数；τ为一个温度参数；I
k≠j
∈{0,1}是一个指示函数，当k≠j时值为1，否则为0；exp()函数表示点积操作。3.根据权利要求1所述的基于原型对比学习的半监督遥感图像检索方法，其特征在于，获取无标记图像的无监督特征向量f
i
；；其中，L
un
为无监督分支损失值，pse
i
表示第i个无标记图片的伪标签，表示求特征空间中离第i个无标记图片的无监督特征向量f
i
最近的类原型，index()函数表示根据得到的类原型求所对应的类标签。4.根据权利要求1所述的基于原型对比学习的半监督遥感图像检索方法，其特征在于，所述多分支注意力模块如下：对输入特征图并行使用三个空洞卷积提取不同尺度下的图像信息，三个空洞卷积的核大小都是3
×
3，空洞率分别为1、2、3；
三个空洞卷积的感受大小为3
×
3、5
×
5和7
×
7，三个空洞卷积提取到输入特征图的多尺度信息，每一个空洞卷积后接一个1
×
1卷积，即为一个注意力分支；三个注意力分支提取到遥感图像不同尺度的注意力权重，通过沿通道方向级联得到包含多个尺度的注意力权重，再通过一个1
×
1卷积自适应地融合多个尺度的注意力权重得到注...

【专利技术属性】
技术研发人员：胡恒超，史晓峰，仵可，
申请(专利权)人：秦风出塞西安科技有限公司，
类型：发明
国别省市：