基于加权判别与多分类器的跨域遥感影像对抗迁移方法技术

本发明专利技术涉及一种基于加权判别与多分类器的跨域遥感影像对抗迁移方法，主要包括以下步骤：1、预处理数据，将遥感数据按窗口大小提取为三维样本矩阵；2、构建深度对抗迁移网络；3、训练加权判别器；4、训练深度特征提取器，并与步骤3形成对抗训练；5、迭代训练：步骤3

【技术实现步骤摘要】
基于加权判别与多分类器的跨域遥感影像对抗迁移方法


[0001]本专利技术涉及卫星遥感领域以及湿地制图领域，具体讲的是一种基于加权判别与多分类器的跨域遥感影像对抗迁移方法。

技术介绍

[0002]湿地是地球上最重要的生态系统之一，为动植物提供栖息地，为人类提供食物和工业原料，在调节气候、净化污染物、平衡生态和维持生物多样性等方面发挥着重要作用。近几百年来，由于气候变化和人类活动的双重影响，湿地面积大幅减少，湿地生态系统功能受到严重破坏。湿地监测和测绘对于湿地恢复和管理以及实现可持续的发展战略至关重要。目前，世界各国发射了大量遥感卫星，大量的遥感影像历史数据以及在轨数据，为湿地监测和测绘提供了大数据支撑。但在实际应用中，湿地实地调查和抽样需要大量的人力、金钱和时间，因此我们获得的湿地数据往往只有少量的标记点或无标记点而没有整个场景的标签数据。此外，湿地环境复杂，动态程度高，湿地分类比陆地景观分类更具挑战性。现有的湿地制图方法往往需要大量的标签数据且仅关注同一场景下的地物分类。在以往的研究中，可能存在许多有标签的历史湿地遥感图像。本专利技术考虑到不同湿地场景之间的相似性，提出利用标记的历史图像信息对未标记的新湿地图像进行分类。此想法存在一个关键问题：不同场景对应的遥感影像之间存在较大差异，例如影像分辨率差异、光谱辐射差异、时空差异、地域差异等，导致不同影像之间的知识无法迁移、传递和共用。

技术实现思路

[0003]本专利技术要解决的技术问题是考虑到现有的跨域遥感影像分类问题依赖于大量标记数据而遥感数据的标记需要耗费大量的人力物力，提供一种能利用历史影像数据进行跨域高光谱遥感影像分类研究的深度对抗迁移学习方法。
[0004]本专利技术采用以下技术方案：
[0005]基于加权判别与多分类器的跨域遥感影像对抗迁移方法，包括以下步骤：
[0006]步骤1、数据预处理，将源域与目标域中的每个样本转换为三维立方块，得到源域样本数据和目标域样本数据；
[0007]步骤2、构建深度对抗迁移网络，所述深度对抗迁移网络包括特征提取器、加权判别器和多分类器；所述特征提取器用于利用输入数据提取输出特征，并将输出特征输入加权判别器，所述加权判别器有两个，多分类器结构包括主分类器F和两个辅分类器F1和F2，所述主分类器用于接收源域与目标域的样本输出特征，辅分类器仅用于接收目标域样本输出特征；
[0008]步骤3、将步骤1中的源域样本数据输入深度对抗迁移学习网络,对深度对抗迁移学习网络进行预训练，得到预训练后的深度对抗迁移学习网络；
[0009]步骤4、固定预训练后的深度对抗迁移学习网络的特征提取器的参数，对加权判别器进行训练；
[0010]将步骤1中的源域样本数据和目标域样本数据输入预训练后的深度对抗迁移学习网络中，特征提取器分别提取源域和目标域样本的光谱与空间联合特征并同时输入加权判别器D0与D中，其中由加权判别器D输出关于源域样本特征的权重w，加权判别器D0用于输出样本来自源域的概率；
[0011]特征提取器将提取的源域与目标域特征输入主分类器F中计算源域样本的分类损失，将目标域特征输入两个辅分类器F1与F2中计算多分类结构对于目标域样本预测差异损失；
[0012]通过最小化加权判别器D0与D的判别损失、源域样本的分类损失与多分类结构对于目标域样本预测差异损失，对加权判别器D0与D进行训练；
[0013]训练完毕后，保存训练后的加权判别器D0与D的参数得到二次训练后的深度对抗迁移学习网络，转到下一步；
[0014]步骤5、固定二次训练后的深度对抗迁移学习网络中加权判别器D0与D的参数，对特征提取器进行训练，与步骤4形成对抗训练；将步骤1中的源域样本数据和目标域样本数据输入二次训练后的深度对抗迁移学习网络中，特征提取器分别提取源域和目标域样本的光谱与空间联合特征并同时输入加权判别器D0与D中，计算得到判别器D0与D的判别损失；
[0015]将特征提取器提取的源域与目标域特征输入主分类器F中计算源域样本的分类损失；将目标域特征输入两个辅分类器F1与F2中计算得到多分类结构对于目标域样本预测差异损失；
[0016]通过最大化判别器D0与D的判别损失，最小化源域分类损失与多分类结构对于目标域样本预测差异损失对特征提取器进行训练，训练完毕后，保存训练后的特征提取器和加权判别器D0与D的参数，得到本次迭代后的深度对抗迁移学习网络，迭代次数加1；
[0017]步骤6、计算本次迭代后的深度对抗迁移学习网络中的主分类器对于样本的输出值的总体准确率即OA值，若迭代次数达到预设最大次数或主分类器的OA值大于预设阈值，则转到下一步，否则转到步骤3，并将步骤3中的深度对抗迁移学习网络更新为本次迭代后的深度对抗迁移学习网络；
[0018]步骤7、选择最后一次迭代后的深度对抗迁移学习网络中的特征提取器和主分类器组成最终测试网络。
[0019]进一步的，所述步骤1的预处理方法为：将源域与目标域样本数据按窗口大小设置为三维矩阵。
[0020]进一步的，所述步骤3的具体训练方法为：将步骤1中的源域样本数据输入深度对抗迁移学习网络中，特征提取器提取源域样本的光谱与空间联合特征并输入多分类器结构，得到主分类器对应的源域预测标签，计算源域样本的分类损失，通过最小化源域样本分类损失训练深度对抗迁移学习网络。
[0021]进一步的，所述计算源域样本分类损失的方法包括以下步骤：
[0022]设源域样本共有C类，第y
s
类源域样本中包括的样本为(x1,y
s
)、(x2,y
s
)
……
(x
v
,y
s
)；则计算第s类样本的分类损失值T的公式为：其中p(y
s
|z
i
)为源域样本x
i
属于第y
s
类的概率,计算得到每一类源域样本的分类损失值，并求得所有类别源域样本的分类损失值的平均值即得到源域样本分类损失L
s
，所述p(y|z
i
)利用主分类器输出并由softmax函数计算。
[0023]进一步的，softmax函数的计算公式为：
[0024][0025]其中，z
i
为第i个样本的特征，C为类别数，softmax(z
i
)表示样本或特征z属于第i类的概率，e为自然常数；分类时，将样本或特征z分到概率最大值对应的类别。
[0026]进一步的，所述步骤4和5中，加权判别器D0与D的判别损失包括加权后源域与目标域样本的判别损失和原始源域样本与目标域样本之间的判别损失，具体计算方法为：
[0027]将特征提取器提取的源域与目标域样本的光谱空间联合特征投入判别器D0与D，其中D仅用于学习源域样本权重w，D0用于输出样本来自源域的概率；设特征提取器输出的源域与目标域特征为z
s
和z
t...

【技术保护点】

【技术特征摘要】
1.基于加权判别与多分类器的跨域遥感影像对抗迁移方法，其特征在于，包括以下步骤：步骤1、数据预处理，将源域与目标域中的每个样本转换为三维立方块，得到源域样本数据和目标域样本数据；步骤2、构建深度对抗迁移网络，所述深度对抗迁移网络包括特征提取器、加权判别器和多分类器；所述特征提取器用于利用输入数据提取输出特征，并将输出特征输入加权判别器，所述加权判别器有两个，多分类器结构包括主分类器F和两个辅分类器F1、F2，所述主分类器用于接收源域与目标域的样本输出特征，辅分类器仅用于接收目标域样本输出特征；步骤3、将步骤1中的源域样本数据输入深度对抗迁移学习网络,对深度对抗迁移学习网络进行预训练，得到预训练后的深度对抗迁移学习网络；步骤4、固定预训练后的深度对抗迁移学习网络的特征提取器的参数，对加权判别器进行训练；将步骤1中的源域样本数据和目标域样本数据输入预训练后的深度对抗迁移学习网络中，特征提取器分别提取源域和目标域样本的光谱与空间联合特征并同时输入加权判别器D0与D中，其中由加权判别器D输出关于源域样本特征的权重w，加权判别器D0用于输出样本来自源域的概率；特征提取器将提取的源域与目标域特征输入主分类器F中计算源域样本的分类损失，将目标域特征输入两个辅分类器F1与F2中计算多分类结构对于目标域样本预测差异损失；通过最小化加权判别器D0与D的判别损失、源域样本的分类损失与多分类结构对于目标域样本预测差异损失，对加权判别器D0与D进行训练；训练完毕后，保存训练后的加权判别器D0与D的参数得到二次训练后的深度对抗迁移学习网络，转到下一步；步骤5、固定二次训练后的深度对抗迁移学习网络中加权判别器D0与D的参数，对特征提取器进行训练，与步骤4形成对抗训练；将步骤1中的源域样本数据和目标域样本数据输入二次训练后的深度对抗迁移学习网络中，特征提取器分别提取源域和目标域样本的光谱与空间联合特征并同时输入加权判别器D0与D中，计算得到判别器D0与D的判别损失；将特征提取器提取的源域与目标域特征输入主分类器F中计算源域样本的分类损失；将目标域特征输入两个辅分类器F1与F2中计算得到多分类结构对于目标域样本预测差异损失；通过最大化判别器D0与D的判别损失，最小化源域分类损失与多分类结构对于目标域样本预测差异损失对特征提取器进行训练，训练完毕后，保存训练后的特征提取器和加权判别器D0与D的参数，得到本次迭代后的深度对抗迁移学习网络，迭代次数加1；步骤6、计算本次迭代后的深度对抗迁移学习网络中的主分类器对于样本的输出值的总体准确率即OA值，若迭代次数达到预设最大次数或主分类器的OA值大于预设阈值，则转到下一步，否则转到步骤3，并将步骤3中的深度对抗迁移学习网络更新为本次迭代后的深度对抗迁移学习网络；步骤7、选择最后一次迭代后的深度对抗迁移学习网络中的特征提取器和主分类器组成最终测试网络。
2.根据权利要求1所述的基于加权判别与多分类器的跨域遥感影像对抗迁移方法，其特征在于，所述步骤1的预处理方法为：将源域与目标域样本数据按窗口大小设置为三维矩阵。3.根据权利要求1所述的基于加权判别与多分类器的跨域遥感影像对抗迁移方法，其特征在于，所述步骤3的具体训练方法为：将步骤1中的源域样本数据输入深度对抗迁移学习网络中，特征提取器提取源域样本的光谱与空间联合特征并输入多分类器结构，得到主分类器对应的源域预测标签，计算源域样本的分类损失，通过最小化源域样本分类损失训练深度对抗迁移学习网络。4.根据权利要求3所述的基于加权判别与多分类器的跨域遥感影像对抗迁移方法，其特征在于，所述计算源域样本分类损失的方法包括以下步骤：设源域样本共有C类，第y
s
类源域样本中包括...

【专利技术属性】
技术研发人员：乐舜卿，彭江涛，史益挺，姚乔羽，方永明，黄怡，
申请(专利权)人：宁波拾烨智能科技有限公司，
类型：发明
国别省市：