【技术实现步骤摘要】
基于双网络的遥感影像分类模型样本增量学习方法
[0001]本专利技术涉及一种影像分类方法,尤其涉及一种基于双网络的遥感影像分类模型样本增量学习方法。
技术介绍
[0002]遥感影像分类是遥感影像解译的最基础任务之一。传统遥感影像分类工作主要基于手工设计特征,如尺度不变特征变换和视觉词袋模型。然而,由于遥感影像具有复杂的几何结构和差异的空间模式,手工设计的特征可能无法获取遥感影像的高级语义信息。近年来,在卷积神经网络(CNN)的推动下,遥感影像分类取得了重大进展。其中Xue等利用预先训练好的CNN作为特征提取器来提取遥感图像的高级特征。许夙晖等利用CNN提取图像的多尺度特征,并使用多核支持向量机实现遥感影像分类。宋中山等提出利用主动旋转聚合来融合不同尺度的特征,并通过特征融合补偿卷积神经网络(FAC
‑
CNN),并将其应用于遥感影像分类来提升模型的泛化能力。屈震等提出了一种基于有效通道注意力(Efficient Channel Attention,ECA)机制的遥感影像分类新模型进一步提高模型的分类准确率与泛化能力。
[0003]然而,随着新的遥感影像数据持续采集,基于深度神经网络的遥感影像分类模型需要不断学习新数据中的新知识。为了提高遥感影像的识别性能,模型在学习新知识的同时保持旧知识的记忆是至关重要的。假设旧数据是可用的,一个最简单的方法是在新的数据和旧的数据上用联合训练方法(Joint)进行训练。然而,这种方法需要存储历史数据,导致存储和计算资源的浪费。在实际应用中,这显然是低效的。若不 ...
【技术保护点】
【技术特征摘要】
1.一种基于双网络的遥感影像分类模型样本增量学习方法,其特征在于:包括以下步骤;(1)利用原始训练数据集D0训练分类模型,得到能识别N种遥感影像类别的分类模型M0;所述D0中的训练样本为带有遥感影像类别标签的遥感图像,D0的类别集为C={C1,C2,
…
,C
N
},N为遥感影像类别总数;(2)构造用于样本增量学习的数据流D={D1,D2,
…
,D
t
},t=1,2,
…
,第t次增量学习的训练集为D
t
,学习得到的模型为M
t
,D
t
中训练样本的类别集和D0相同;(3)依次进行增量学习,第t次增量学习的过程包括(31)~(33);(31)构造一双网络模型,包括第一网络模型M
t1
和第二网络模型M
t2
,二者均由t
‑
1次增量学习得到的模型M
t
‑1初始化得到,当t=1时,M
t
‑1为M0;(32)用D
t
训练第一网络模型M
t1
,采用知识蒸馏方法计算M
t1
与M
t
‑1的蒸馏损失L
kd
;用D
t
训练第二网络模型M
t2
,计算M
t2
和M
t1
的一致性损失L
con
;(33)知识协同学习;根据第一网络模型M
t1
的输出,计算其分类损失L
ce
;计算第一网络模型M
t1
的完整损失函数L
all
,通过识协同策略更新M
t2
的权重,再将M
t2
作为本次学习得到的模型M
t
;式中,λ和β分别为L
kd
和L
ce
的权重。2.根据权利要求1所述的基于双网络的遥感影像分类模型样本增量学习方法,其特征在于:对训练集D
t
,,式中x
i
为D<...
【专利技术属性】
技术研发人员:姚光乐,李雪,王洪辉,李军,孙思源,周皓然,叶绍泽,陈才华,徐晓宇,
申请(专利权)人:成都理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。