【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 ...
【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:
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。