基于有序持续学习的遥感影像解译方法技术

本发明专利技术公开了一种基于有序持续学习的遥感影像解译方法，涉及遥感影像处理领域，包括：S1获取N个遥感影像解译任务、已标注地物样本数据、未标注待解译数据；S2构建第一网络和第二网络，使用N个遥感影像解译任务和样本数据对第一网络进行训练；S3根据每个样本数据的预测结果计算得到其第一评价值，根据每个解译任务的预测结果计算得到其第二评价值；S4结合第一评价值和弹性权重固化方法，使用N个解译任务按照训练顺序对第二网络进行训练；S5使用训练后的第二网络对未标注待解译数据进行解译，得到解译结果。本发明专利技术能够实现面向多个遥感解译任务的按由易到难顺序进行的全自动持续学习，能够有效避免灾难性遗忘。能够有效避免灾难性遗忘。能够有效避免灾难性遗忘。

【技术实现步骤摘要】
基于有序持续学习的遥感影像解译方法


[0001]本专利技术涉及遥感影像处理领域，具体涉及一种基于有序持续学习的遥感影像解译方法。

技术介绍

[0002]目前的遥感影像解译方法主要有两种。第一种为传统的模式识别方法，该方法利用影像的光谱、几何、纹理特征，或者专家知识和经验指数，构建特征知识库实现“经验化”的解译过程，主要包括特征抽取、特征融合及选择，以及特征分类三个步骤。然而传统模式识别方法由于图像分割、特征选择等环节缺乏普适的原则或理论，在大范围复杂影像中难以达到实际应用所需的精度和鲁棒性。
[0003]第二种为人工智能的方法，目前人工智能用于遥感解译的方法主要为深度学习方法，构建卷积神经网络，使用已标注的遥感样本作为训练数据，训练卷积神经网络，使用训练好的神经网络进行解译工作。目前使用的人工智能技术问题在于，每针对一个新任务和一组不同的训练数据，就需要构建一个新的模型并进行重新训练。持续学习方向的研究目标为持续使用新任务训练同一个模型并得到较好的效果。但是目前该方向的研究会遇到以下常见问题：1. 灾难性遗忘，模型在学习了新的解译任务后，在旧任务上的解译效果会明显下降； 2. 对同一模型，解译任务和训练数据的顺序也会导致模型对各解译任务的解译精度和整体的解译精度不同。

技术实现思路

[0004]本专利技术提出一种基于有序持续学习的遥感影像解译方法，能够解决上述现有技术的问题，
[0005]为实现上述技术目的，本专利技术的技术方案如下：
[0006]一种基于有序持续学习的遥感影像解译方法，该方法包括以下步骤：
[0007]S1获取N个遥感影像解译任务，每个遥感影像解译任务对应一组目标影像数据，目标影像数据包括已标注地物样本数据和未标注待解译数据，已标注地物样本数据包括真实标签，N为大于1的整数；
[0008]S2构建第一网络和第二网络，使用N个遥感影像解译任务及其对应的已标注地物样本数据对第一网络进行训练，得到所有的已标注地物样本数据的预测结果，其中，同一组已标注地物样本数据的预测结果作为对应的遥感影像解译任务的预测结果；
[0009]S3根据每个已标注地物样本数据的预测结果计算得到其第一评价值，根据每个遥感影像解译任务的预测结果计算得到其第二评价值；
[0010]S4结合第一评价值和弹性权重固化方法，使用N个遥感影像解译任务按照训练顺序对第二网络进行训练，得到训练后的第二网络，其中训练顺序由第二评价值确定；
[0011]S5使用训练后的第二网络对N个遥感影像解译任务对应的未标注待解译数据进行解译，得到解译结果。
[0012]进一步地，步骤S2包括：
[0013]S21随机初始化第一网络；
[0014]S22选取N个遥感影像解译任务中的一个作为当前任务；
[0015]S23将当前任务对应的目标影像数据中的已标注地物样本数据划分为k份，使用k
‑
fold交叉验证方法对第一网络进行k次解译训练，将第k次训练过程中所有已标注地物样本数据的预测结果作为当前任务的预测结果；
[0016]S24重复步骤S22
‑
S23，直到N个遥感影像解译任务均得到预测结果，将N个遥感影像解译任务与相对应的预测结果进行关联并存储。
[0017]进一步地，步骤S3中，第一评价值为：
[0018][0019]其中，V1为第一评价值，x
i
为已标注地物样本数据，为第一网络对x
i
的预测结果，r为第一评价值的可调参数，m为真实标签的种类，是第一网络的参数；
[0020]第二评价值为：
[0021][0022]其中，V
2a
为第a个遥感影像解译任务的第二评价值，precision
a
为第a个遥感影像解译任务的预测结果的精确率，recall
a
为第a个遥感影像解译任务的预测结果的召回率。
[0023]进一步地，步骤S4包括：
[0024]S41使用第一评价值和弹性权重固化方法构建第一损失函数和第二损失函数；
[0025]S42根据第二评价值从大到小的顺序对N个遥感影像解译任务进行排序，将该顺序作为训练顺序；
[0026]S43根据训练顺序依次选取遥感影像解译任务训练第二网络，在训练时，第一个选取的遥感影像解译任务使用第一损失函数对网络进行约束，其余的遥感影像解译任务使用第二损失函数对网络进行约束。
[0027]进一步地，第一损失函数和第二损失函数为：
[0028][0029][0030]其中Loss1为第一损失函数，Loss2为第二损失函数，n为已标注地物样本数据的数量，i为当前已标注地物样本数据的序号，C为当前遥感影像解译任务对应的已标注地物样本数据的真实标签的种类数，x
i
为已标注地物样本数据，为第一网络对x
i
的预测结果，为x
i
的第一评价值，r为第一评价值的可调参数，m为真实标签的第m类，是第一网络的参数，是第二网络的参数，L为预设函数，为第
二网络对x
i
的预测结果，T
m
表示x
i
的真实标签为第m类，λ和u为可调参数，F
j
为费希尔信息矩阵的第j个对角线元素，为训练新任务时第二网络的第j个参数，为训练旧任务时第二网络的第j个参数。
[0031]进一步地，预设函数为交叉熵损失函数或Hinge损失函数或指数损失函数或平方损失函数或log对数损失函数或绝对值损失函数或0
‑
1损失函数。
[0032]进一步地，已标注地物样本数据包括地物样本块和地物标签数据；
[0033]未标注待解译数据由待解译影像根据切片规格进行分块处理得到。
[0034]进一步地，步骤S1中遥感影像解译任务包括面向遥感地物的分类任务和语义分割任务。
[0035]进一步地，步骤S2中的第一网络和第二网络是基于相同结构的深度卷积神经网络进行构建的。
[0036]进一步地，遥感影像解译任务的预测结果的精确率和遥感影像解译任务的预测结果的召回率均根据遥感影像解译任务的预测结果和对应的已标注地物样本数据的真实标签进行计算得到。
[0037]本专利技术提出了一种基于有序持续学习的遥感影像解译方法，构建了第一网络和第二网络，通过使用多个解译任务训练第一网络，得到第一网络的预测结果，根据预测结果与样本数据的真实标签，得到用于指导第二网络的训练顺序的第一评价值和第二评价值，结合第一评价值、第二评价值和弹性权重固化方法实现避免灾难性遗忘的有序持续学习。本专利技术的有益效果为：
[0038]（1）解决了单一模型在持续学习多个任务时遇到的灾难性遗忘问题。
[0039]（2）通过结合课程学习和弹性权重固化方法，实现了自动化的有序持续学习，能够自动确定训练样本和解译任务的最优顺序，并按顺序进行解译训练。
[0040本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于有序持续学习的遥感影像解译方法，其特征在于，包括如下步骤：S1获取N个遥感影像解译任务，每个遥感影像解译任务对应一组目标影像数据，目标影像数据包括已标注地物样本数据和未标注待解译数据，已标注地物样本数据包括真实标签，N为大于1的整数；S2构建第一网络和第二网络，使用N个遥感影像解译任务及其对应的已标注地物样本数据对第一网络进行训练，得到所有的已标注地物样本数据的预测结果，其中，同一组已标注地物样本数据的预测结果作为对应的遥感影像解译任务的预测结果；S3根据每个已标注地物样本数据的预测结果计算得到其第一评价值，根据每个遥感影像解译任务的预测结果计算得到其第二评价值；S4结合第一评价值和弹性权重固化方法，使用N个遥感影像解译任务按照训练顺序对第二网络进行训练，得到训练后的第二网络，其中训练顺序由第二评价值确定；S5使用训练后的第二网络对N个遥感影像解译任务对应的未标注待解译数据进行解译，得到解译结果。2.根据权利要求1所述的基于有序持续学习的遥感影像解译方法，其特征在于，步骤S2包括：S21随机初始化第一网络；S22选取N个遥感影像解译任务中的一个作为当前任务；S23将当前任务对应的目标影像数据中的已标注地物样本数据划分为k份，使用k
‑
fold交叉验证方法对第一网络进行k次解译训练，将第k次训练过程中所有已标注地物样本数据的预测结果作为当前任务的预测结果；S24重复步骤S22
‑
S23，直到N个遥感影像解译任务均得到预测结果，将N个遥感影像解译任务与相对应的预测结果进行关联并存储。3.根据权利要求2所述的基于有序持续学习的遥感影像解译方法，其特征在于，步骤S3中，第一评价值为：其中，V1为第一评价值，x
i
为已标注地物样本数据，为第一网络对x
i
的预测结果，r为第一评价值的可调参数，m为真实标签的种类，是第一网络的参数；第二评价值为：其中，V
2a
为第a个遥感影像解译任务的第二评价值，precision
a
为第a个遥感影像解译任务的预测结果的精确率，recall
a
为第a个遥感影像解译任务的预测结果的召回率。4.根据权利要求1所述的基于有序持续学习的遥感影像解译方法，其特征在于，步骤S4包括：S41使用第一评价值和弹性权重固化方法构建第一损失函数和第二损失函数；...

【专利技术属性】
技术研发人员：鲁锦涛，陈婷，吴皓，陈宇，彭哲，李洁，邹圣兵，
申请(专利权)人：北京数慧时空信息技术有限公司，
类型：发明
国别省市：