基于权重自适应组合鲁棒损失的单域遥感图像检索方法技术

本发明专利技术涉及遥感图像检索技术领域，具体公开了一种基于权重自适应组合鲁棒损失的单域遥感图像检索方法，该方法采用以下步骤：S1：将训练数据输入主模型并提取图像特征，主模型根据图像特征输出该图像属于各类别的概率，并将其方差var与信息熵entropy的比值定义为组合指数；S2：将组合指数输入权重自适应模型得到损失权重α与β；S3：将损失权重α与β代入组合鲁棒损失函数得到损失值Lauto，并更新主模型参数；S4：将相同的训练数据代入更新后的主模型，再次计算组合损失值Lauto并以此更新权重自适应模型的参数。本发明专利技术解决了组合鲁棒损失的权重需人工测试确定的问题，能够有效保证最优精度，克服人工测试权重耗时耗力的缺点。克服人工测试权重耗时耗力的缺点。克服人工测试权重耗时耗力的缺点。

【技术实现步骤摘要】
基于权重自适应组合鲁棒损失的单域遥感图像检索方法


[0001]本专利技术涉及遥感图像检索
，具体地，涉及一种基于权重自适应组合鲁棒损失的单域遥感图像检索方法。

技术介绍

[0002]面对遥感大数据时代的到来，海量遥感图像数据的分析与应用范围不断扩展，对地球空间信息学数据处理的时效性与智能化水平的要求也不断提高，从大型遥感数据库中自动检索图像的需求变得越来越迫切，遥感图像检索技术通过图像特征之间的相似度匹配实现了海量遥感图像的有效检索，即“以图搜图”。探索如何从大规模遥感图像数据中高效地检索到感兴趣的目标或场景是促进遥感图像数据共享和有效利用的一项重要任务。
[0003]随着深度学习的出现，图像的特征表示逐渐从手工特征转向特征学习，并在遥感领域展现出了巨大优越性，被广泛用于场景分类、图像检索等遥感图像处理的各项任务中。然而，深度学习技术在很大程度上依赖于大规模的标注数据，如果数据集标注的准确性过低，深度学习方法的性能会严重下降，降低检索精度。传统的数据集标注通常由相关领域的专家进行人工标注，标注精度能够得到保证，但该方法非常耗时且成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于权重自适应组合鲁棒损失的单域遥感图像检索方法，其特征在于，该方法采用以下步骤：S1：将训练数据输入主模型并提取图像特征，所述主模型根据所述图像特征输出该图像属于各类别的概率并计算所述主模型输出数据的方差var与信息熵entropy，定义所述方差var与所述信息熵entropy的比值为组合指数；S2：将所述组合指数输入权重自适应模型，根据所述权重自适应模型的函数近似的策略得到损失权重α与β；S3：将所述损失权重α与β代入组合鲁棒损失函数得到损失值Lauto，并更新主模型参数；S4：将相同的训练数据代入更新后的主模型，再次计算组合所述损失值Lauto并以此更新所述权重自适应模型的参数。2.根据权利要求1所述的基于权重自适应组合鲁棒损失的单域遥感图像检索方法，其特征在于，在步骤S1中，所述主模型为深度卷积神经网络，所述深度卷积神经网络利用卷积、池化手段，从浅层的低级视觉特征，逐层对特征进行抽取获取含有高级语义信息的抽象特征，以能够获得对所述训练数据的特征提取。3.根据权利要求2所述的基于权重自适应组合鲁棒损失的单域遥感图像检索方法，其特征在于，所述深度卷积神经网络为残差人工神经网络，所述残差人工神经网络包括用于改变网络维度的卷积模块和用于增加网络深度的鉴别模块，所述卷积模块和所述鉴别模块均包含批归一化，以能够保持所述深度卷积神经网络的收敛速度。4.根据权利要求1所述的基于权重自适应组合鲁棒损失的单域遥感图像检索方法，其特征在于，在步骤S1中，所述方差var的计算公式如下：所述信息熵entropy的计算公式如下：其中，C表示标签总数，x
i
表示模型输出的浮点值，表示x
i
的平均值，p
i
表示模型输出经过softmax函数激活后得到的概率值，所述softmax函数的计算公式如下：其中，softmax函数是激活函数，该函数构成的激活层可赋予深度神经网络表达非线性特征的能力。5.根据权利要求1所述的基于权重自适应组合鲁棒损失的单域遥感图像检索方法，其特征在于，在步骤S2中，所述权重自适...

【专利技术属性】
技术研发人员：侯东阳，田雪晴，邢华桥，王思远，刘轩佑，
申请(专利权)人：中南大学，
类型：发明
国别省市：