一种无监督学习的遥感目标分类方法技术

本发明专利技术提供了一种无监督学习的遥感目标分类方法，涉及遥感图像处理技术领域，该方法包括：S1、通过ResNet模型对无标注的遥感目标进行特征提取，生成训练数据；S2、使用聚类算法对训练数据中的所有遥感目标进行粗分类，根据聚类结果，给所有无标注的遥感目标图像一个初始标注，生成初始标注集Y0；S3、为形成的特征簇分别计算一个特征中心；S4、基于特征中心为所有遥感目标图像生成初始权重集P0；S5、通过预训练模型对初始标注集Y0和初始权重集P0进行第一次训练；S6、对标注进行迭代更新;对权重进行迭代更新；S7、重复迭代更新，直至标注集的变化小于阈值时，则停止训练，遥感目标的分类完成。成。成。

【技术实现步骤摘要】
一种无监督学习的遥感目标分类方法


[0001]本专利技术涉及遥感图像处理
，具体的，本专利技术涉及一种无监督学习的遥感目标分类方法。

技术介绍

[0002]遥感目标的分类识别，在城市规划、土地利用分析、救灾、自动地图制作和现代化农业等等的许多实际应用中具有非常重要的作用。随着近年来航天遥感技术的不断发展，采集的遥感目标图像大幅增加。
[0003]通过深度学习技术对于遥感目标进行解译得到了广泛的应用，然而，基于深度学习的遥感目标分类依赖于大规模标注的遥感目标以进行训练，遥感图像的标注需要耗费巨大的人力成本，繁琐的标记过程阻碍了这些完全监督的方法在遥感图像分类中的应用。
[0004]为了克服这个限制，本专利技术提出了一种无监督学习的遥感目标分类方法。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供了一种无监督学习的遥感目标分类方法，以解决上述的技术问题。
[0006]本专利技术解决其技术问题所采用的技术方法是：一种无监督学习的遥感目标分类方法，其改进之处在于：包括以下的步骤：S1、通过ResNet模型对无标注的遥感目标进行特征提取，生成训练数据；S2、使用聚类算法对训练数据中的所有遥感目标进行粗分类，根据聚类结果，给所有无标注的遥感目标图像一个初始标注，生成初始标注集Y0；S3、为形成的特征簇分别计算一个特征中心其中，表示类别c的第i个遥感目标图像，N
c
表示类别c的遥感目标图像总数，u
c
表示类别c的遥感目标图像特征中心；S4、基于特征中心为所有遥感目标图像生成初始权重集P
00
其中，表示计算类别c的第i个遥感目标图像特征与其对应特征中心的L2距离，表示预训练模型的特征提取器，为类别c的第i个遥感目标图像的权重；S5、通过预训练模型C0(f0(
·
))对初始标注集Y0和初始权重集P0进行第一次训练，得到模型C1(f1(
·
))；S6、对标注进行迭代更新，在第k次训练时，使用上一次的模型C
k
‑1(f
k
‑1(
·
))，更新第k次模型训练时的标注集;
对权重进行迭代更新，在第k次训练时，使用上一次训练后模型的输出结果Pre
k
‑1作为已知信息，利用基于已知信息生成的权重与第k
‑
1次模型训练时遥感目标图像的权重，生成第k次模型训练时遥感目标图像的权重集；S7、重复迭代更新，直至标注集的变化小于阈值时，则停止训练，遥感目标的分类完成其中为事先设定的变化阈值。
[0007]在上述方法中，所述的步骤S1，包括以下的步骤：S11、在ImageNet上对ResNet模型进行预训练；S12、ResNet模型对大量无标注的遥感目标进行特征提取，生成训练数据；特征提取，是通过ResNet模型的特征提取器f(
·
)和全连接分类器C(
·
)，对任意无标注的遥感目标图像x，提取最后一层特征Conv5_x。
[0008]在上述方法中，所述的步骤S5中，通过预训练模型C0(f0(
·
))对初始标注集Y0和初始权重集P0进行第一次训练的模型训练目标函数为其中，标注集为Y0={}，表示类别c的真实标签，权重集为P0={}，|c|为聚类的特征簇数量，即类别数量，为计算模型对输入样本的预测结果与其对应类别标签之间的交叉熵损失。
[0009]在上述方法中，所述的步骤S6中，对标注进行迭代更新，在第k次训练时，使用上一次的模型C
k
‑1(f
k
‑1(
·
))，更新第k次模型训练时的标注集，包括以下的步骤：对标注进行迭代更新，在第k次训练时，使用上一次的模型C
k
‑1(f
k
‑1(
·
))获取当前所有遥感目标图像的识别结果的集合Pre
k
‑
1=
{C
k
‑1(f
k
‑1())；然后，迭代更新标注集其中，norm(
·
)表示对迭代更新后的标注集进行归一化，为权值。
[0010]在上述方法中，所述的步骤S6中，对权重进行迭代更新，在第k次训练时，使用上一次训练后模型的输出结果Pre
k
‑1作为已知信息，利用基于已知信息生成的权重与第k
‑
1次模型训练时遥感目标图像的权重，生成第k次模型训练时遥感目标图像的权重集，包括以下的步骤：对权重进行迭代更新，在第k次训练时，使用上一次训练后模型的输出结果Pre
k
‑1作为已知信息生成权重其中，表示计算第k
‑
1次模型的输出与标注之间的L2距离，距离越大表明该遥感目标图像误分类的可能越大，即在后续训练中给予更小的权重；L2距离是两个向量之间的欧几里得距离，距离大小用于衡量两个向量之间的差
异，在本模型中用于衡量模型对样本的预测结果与样本真实标签之间的误差大小，设N维向量A=[a1,a2,a3,...,aN], B=[b1,b2.b3,...,bN]，其中a
j
表示向量A的第j个维度,则两个向量之间的L2距离的定义为；利用生成的权重与第k
‑
1次模型训练时遥感目标图像的权重对权重集进行迭代更新，生成第k次模型训练时遥感目标图像的权重集对权重集进行迭代更新，生成第k次模型训练时遥感目标图像的权重集对权重集进行迭代更新，生成第k次模型训练时遥感目标图像的权重集在第k次训练，并对权重集进行迭代更新时，是原始权重集的一个权值，是当前生成的权重集的一个权值，分别在迭代更新时，用于控制两部分权重集的占比。
[0011]本专利技术的有益效果是：通过模型对大量无标注的遥感目标进行特征提取以及标注，进而实现遥感目标图像的权重生成，实现遥感目标的分类识别模型训练，实现了在无需专家人工标注的条件下对大量遥感目标的分类识别。
附图说明
[0012]附图1为本专利技术的一种无监督学习的遥感目标分类方法的原理示意图。
具体实施方式
[0013]下面结合附图和实施例对本专利技术进一步说明。
[0014]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部实施例，基于本专利技术的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本专利技术保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本专利技术创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
[0015]参照图1所示，本专利技术提供了一种无监督学习的遥感目标分类方法，包括以下的步骤：S1、通过ResNet模型对无标注的遥感目标进行特征提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无监督学习的遥感目标分类方法，其特征在于：包括以下的步骤：S1、通过ResNet模型对无标注的遥感目标进行特征提取，生成训练数据；S2、使用聚类算法对训练数据中的所有遥感目标进行粗分类，根据聚类结果，给所有无标注的遥感目标图像一个初始标注，生成初始标注集Y0；S3、为形成的特征簇分别计算一个特征中心其中，表示类别c的第i个遥感目标图像，N
c
表示类别c的遥感目标图像总数，u
c
表示类别c的遥感目标图像特征中心；S4、基于特征中心为所有遥感目标图像生成初始权重集P
00
其中，表示计算类别c的第i个遥感目标图像特征与其对应特征中心的L2距离，表示预训练模型的特征提取器，为类别c的第i个遥感目标图像的权重；S5、通过预训练模型C0(f0(
·
))对初始标注集Y0和初始权重集P0进行第一次训练，得到模型C1(f1(
·
))；S6、对标注进行迭代更新，在第k次训练时，使用上一次的模型C
k
‑1(f
k
‑1(
·
))，更新第k次模型训练时的标注集;对权重进行迭代更新，在第k次训练时，使用上一次训练后模型的输出结果Pre
k
‑1作为已知信息，利用基于已知信息生成的权重与第k
‑
1次模型训练时遥感目标图像的权重，生成第k次模型训练时遥感目标图像的权重集；S7、重复迭代更新，直至标注集的变化小于阈值时，则停止训练，遥感目标的分类完成其中为事先设定的变化阈值。2.如权利要求1所述的一种无监督学习的遥感目标分类方法，其特征在于：所述的步骤S1，包括以下的步骤：S11、在ImageNet上对ResNet模型进行预训练；S12、ResNet模型对大量无标注的遥感目标进行特征提取，生成训练数据；特征提取，是通过ResNet模型的特征提取器f(
·
)和全连接分类器C(
·
)，对任意无标注的遥感目标图像x，提取最后一层特征Conv5_x。3.如权利要求1所述的一种无监督学习的遥感目标分类方法，其特征在于：所述的步骤S5中，通过预训练模型C0(f0(
·
))对初始标注集Y0和初始权重集P0进行第一次训练的模型训练目标函数为其中，标注集为Y0={}，表示类别c的真实标签，权重集为P0={}，|c|为聚类的特征簇数量，即类别数量，表示计算模型对输入样本的预测结...

【专利技术属性】
技术研发人员：周皓然，陆国锋，叶绍泽，王洪辉，黎治华，袁杰遵，
申请(专利权)人：深圳市森歌数据技术有限公司，
类型：发明
国别省市：