一种基于伪标记和假数据识别的遥感图像分类方法技术

本发明专利技术实施方式中的基于伪标记和真假数据识别的遥感图像分类方法，该框架使用人工伪标签作为未标记数据的标签，因此也可以使用标签训练未标记数据。针对模型可能对未标记数据分类错误的情况，提出了一种混合表示学习方法。混合不同的数据生成伪数据并利用所有数据可以克服伪标签的缺点。本发明专利技术创新地将伪标记算法与假数据识别算法相结合，使模型可以更全面与准确的学习数据的特征表示。同时，由伪标记带来的半监督学习算法，可以大大地减少实验的资源成本的消耗，以最小的代价完成目标。将所提的网络模型应用于半监督遥感图片数据的分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。了所提方法的有效性。了所提方法的有效性。

【技术实现步骤摘要】
一种基于伪标记和假数据识别的遥感图像分类方法

：
[0001]本专利技术涉及一种基于伪标记和假数据识别的遥感图像分类方法，该方法在遥感图像分类领域有着很好的应用。

技术介绍
：
[0002]在6G网络广泛应用的情况下，地空网络框架可以及时传输当前的地面图像信息，并应用这些信息自动执行许多任务。因此，对充分理解陆地场景图像的语义信息和准确识别分类的需求迅速增加。遥感图像场景分类Remote sensing image scene classification(RSISC)是利用一些方法将图像划分为自定义的类别，获取图像的语义信息。卷积神经网络Convolutional Network(CNN)依赖于许多高质量的标记数据集，在目标检测、语义分割和图像识别方面取得了相当大的成果。
[0003]遥感图像分类在许多应用领域中发挥着重要的作用。为了应对在训练过程中由于数据标签稀少而造成的成本昂贵等问题，半监督学习Semi
‑
supervised learning(SSL)被引入其中。半监督学习使用特定比例的标记数据和大量无序和未知的未本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于伪标记和假数据识别的遥感图像分类方法，其特征在于该方法包括以下步骤：步骤1：数据预处理，包括对数据进行格式修改和数据集的划分。步骤2：数据输入阶段，对输入数据进行简单处理并构造真假数据集。步骤3：模型训练阶段，使用基于伪标记和假数据识别的遥感图像分类方法。步骤4：模型验证测试阶段，使用验证集和测试集对模型进行测试。2.根据权利要求1所述的一种基于伪标记和假数据识别的遥感图像分类方法，其特征在于，所述步骤1中的数据预处理模块，具体步骤为：步骤1_1加载datasets文件夹下的飞机、篮球场、桥、河、山、岛、森林、热电站、雪堡、高速公路全部10个类的数据集，加载完后得到每个类含有700张图像的，一共7000张图像的数据。步骤1_2通过utils文件夹下的chuli.py文件对数据集进行处理，将数据集以6:2:2的比例拆分为训练集、验证集和测试集。3.根据权利要求1所述的一种基于伪标记和假数据识别的遥感图像分类方法，其特征在于，所述步骤2中的数据输入模块，具体步骤为：步骤2_1将原始数据从datasets下的train文件夹中读出，根据所属的类别划分成train_label_dataset和train_unlabel_dataset两个数据集合。步骤2_2将两个数据集合经过简单处理将大小修改成128*128，然后通过使用torch环境中的dataloader方法，将两个数据集合整合成乱序的、具有batch_size属性的train_label_dataloader和train_unlabel_dataloader两种数据集合。步骤2_3将存在于train_unlabel_dataloader中的数据读出，根据utils文件夹下的mixdata.py方法进行数据混合，生...

【专利技术属性】
技术研发人员：席亮，孟祥龙，苗德华，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：