基于用户选择的遥感影像推荐方法技术

本发明专利技术提供一种基于用户选择的遥感影像推荐方法，涉及数据处理领域，包括：获取用户信息，根据用户信息获得第一候选集和第二候选集；使用第一网络模型提取场景特征；使用第二网络模型提取显著性特征；根据第一候选集中每张影像的场景特征和显著性特征得到该张影像的区域特征，根据第二候选集中每张影像的场景特征和显著性特征得到该张影像的查询特征；对区域特征和查询特征分别进行预测计算，得到预测概率；根据区域特征的预测概率得到第一推荐特征集，根据查询特征的预测概率得到第二推荐特征集；根据筛选策略对第一推荐特征集和第二推荐特征集进行筛选，得到推荐结果。基于本发明专利技术提供的推荐方法得到的推荐结果更符合用户的需求，且质量更优。且质量更优。且质量更优。

【技术实现步骤摘要】
基于用户选择的遥感影像推荐方法


[0001]本专利技术涉及数据处理领域，具体涉及一种基于用户选择的遥感影像推荐方法。

技术介绍

[0002]作为一种重要基础性资源，遥感卫星数据在国防、经济、交通、能源、环保等诸多领域都有着广泛应用。遥感卫星数据具有海量、多源、异构等特点，具体描述如下：一是，卫星数据覆盖范围广、时间跨度大，已积累有海量的历史遥感卫星数据，同时地球上空飞行着上千颗卫星，这些卫星可以搭载的各种模式载荷，每时每刻都产生着新的遥感卫星数据，越来越多的卫星升空造成数据体量爆炸式增长。二是，遥感卫星数据来源多样，包括可见光、红外、微波、高光谱等多种传感器类型，且不同传感器类型、不同分辨率、不同波段范围的遥感卫星数据适用于对应的应用需求。三是，卫星数据具有观测周期性，能够对同一区域进行不同角度的长时序观测，而不同卫星来源的遥感数据在存储格式、组织方式、元数据标准等诸多方面均存在差异，使得传统的数据管理方式较难实现对多源卫星数据的统筹管理，从而难以满足个性化的数据定制需求。
[0003]随着在轨卫星数量和数据质量的逐步提升，遥感卫星数据的产品种类、数量不断增加，对卫星数据的需求越来越多，数据的应用领域也不断拓宽，这对遥感卫星数据的存储管理及服务方式带来了巨大挑战。现有的遥感卫星数据存储的信息较为简单，多以基础属性为主，较少考虑和体现异构数据之间的关联关系及数据本身的高层特征，使得难以满足高时效性的应用需求。目前用户获取遥感卫星数据，主要依靠简单的“元数据”和“人工经验”来检索得到所需要的卫星数据。这种传统的遥感卫星数据服务，要求用户具备一定的专业领域知识，一定程度上限制了遥感数据共享范围；并且随着数据的体量增大，这种被动检索的方式，难以保障数据的准确性和时效性。
[0004]另外，当用户输入查询需求时，目前的推荐系统不能很好的理解用户输入的查询信息的语义信息，导致检索结果的准确性较低，使得用户的体验感较差，无法满足用户的检索需求。

技术实现思路

[0005]本专利技术提供了一种基于用户选择的遥感影像推荐方法，通过结合感兴趣区域和查询信息来综合推荐影像，使得推荐结果更符合用户的需求，且影像的质量更优。
[0006]为达到上述技术目的，本专利技术提供一种基于用户选择的遥感影像推荐方法，包括：
[0007]S1 获取用户信息，该用户信息包括查询信息和感兴趣区域；
[0008]S2 根据感兴趣区域获取第一候选集，以及根据查询信息中的关键词获取第二候选集；
[0009]S3 使用第一网络模型分别提取第一候选集和第二候选集中每张影像的场景特征；
[0010]S4 使用第二网络模型分别提取第一候选集和第二候选集中每张影像的显著性特
征；
[0011]S5 根据第一候选集中每张影像的场景特征和显著性特征，得到该张影像的区域特征，根据第二候选集中每张影像的场景特征和显著性特征，得到该张影像的查询特征；
[0012]S6 分别对第一候选集中各张影像的区域特征和第二候选集中各张影像的查询特征进行预测概率计算，得到各个区域特征的预测概率和各个查询特征的预测概率；
[0013]S7 根据各个区域特征的预测概率的排序结果，确定M个区域特征作为第一推荐特征集，根据各个查询特征的预测概率的排序结果，确定N个查询特征作为第二推荐特征集，N为正整数，M为大于0且小于N的整数；
[0014]S8 根据筛选策略对第一推荐特征集和第二推荐特征集进行筛选，得到推荐结果。
[0015]根据本专利技术的实施例，所述第一推荐特征集包括M个第一推荐特征，所述第二推荐特征集包括N个第二推荐特征；步骤S8包括：
[0016]S81 针对第一推荐特征集中的每个第一推荐特征，计算该第一推荐特征与第二推荐特征集中的每个第二推荐特征之间的相似度，将相似度排在前q个的第二推荐特征作为一组候选特征，q为正整数；
[0017]S82 重复步骤S81，得到M组候选特征；
[0018]S83 将M组候选特征进行去重处理，并与第一推荐特征集进行合并，得到最终的推荐特征集；
[0019]S84 根据最终的推荐特征集得到对应的推荐影像，作为推荐结果。
[0020]根据本专利技术的实施例，所述第一网络模型包括第一特征提取网络、特征筛选网络和第一特征融合网络，步骤S3包括：
[0021]S31 使用第一特征提取网络分别提取第一候选集中每张影像的金字塔特征和第二候选集中每张影像的金字塔特征；
[0022]S32 针对每张影像的金字塔特征，利用特征筛选网络中的特征筛选函数去除每层金字塔特征中的冗余信息，得到金字塔精炼特征；
[0023]S33 使用第一特征融合网络对每张影像对应的金字塔精炼特征分别进行从上到下、从下到上的逐层特征融合，得到两个融合特征，对两个融合特征进行向量内积的计算，得到每张影像对应的场景特征。
[0024]根据本专利技术的实施例，在步骤S31中，第一特征提取网络包括7*7卷积层、最大池化层、4个残差块，其中，每个残差块包括2个残差单元，每个残差单元包含2个3*3卷积层，残差单元之间设置shortcut进行连接；将第一候选集或第二候选集输入第一特征提取网络，使用7*7卷积层对影像进行特征提取，得到第一特征图，记为X1，使用最大池化层对第一特征图进行池化处理，之后将池化处理后的特征图依次输入4个残差块，分别得到对应的4个特征图，记为第二特征图X2、第三特征图X3、第四特征图X4、第五特征图X5，其中，每个特征图的尺度均不相同，按数据流向特征图的尺度依次增大；将第五特征图X5作为第一层金字塔特征；将第五特征图X5进行上采样操作，并与第四特征图X4进行特征拼接，得到第二层金字塔特征；将第二层金字塔特征进行上采样操作，并与第三特征图X3进行特征拼接，得到第三层金字塔特征；将第三层金字塔特征进行上采样操作后与第二特征图X2进行特征拼接，得到第四层金字塔特征；将第四层金字塔特征进行上采样操作，并与第一特征图X1进行特征拼接，得到第五层金字塔特征；将第一层金字塔特征、第二层金字塔特征、第三层金字塔特征、
第四层金字塔特征、第五层金字塔特征按照顺序进行排列，组成金字塔，即得到金字塔特征。
[0025]根据本专利技术的实施例，步骤S32包括：
[0026]利用1个1
×
1卷积层将X1、X2、X3、X4、X5进行卷积，将通道数统一成C1，得到通道数为C1的、、、、；
[0027]根据特征筛选函数依次对、、、、进行冗余信息的去除，并进行l2归一化操作，得到金字塔精炼特征、、、、；
[0028]特征筛选函数如下：
[0029][0030]其中，i=1,2,3,4,5，relu为激活函数，fc为全连接层，GeM为平均池化层，F为主成分分析计算，，D为五层金字塔特征、、、、在向量化后进行标准化组成的矩阵。
[0031]根据本专利技术的实施例，步骤S33包括：
[0032]将金字塔精炼特征按照、、、、的顺序从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户选择的遥感影像推荐方法，其特征在于，包括：S1 获取用户信息，该用户信息包括查询信息和感兴趣区域；S2 根据感兴趣区域获取第一候选集，以及根据查询信息中的关键词获取第二候选集；S3 使用第一网络模型分别提取第一候选集和第二候选集中每张影像的场景特征；S4 使用第二网络模型分别提取第一候选集和第二候选集中每张影像的显著性特征；S5 根据第一候选集中每张影像的场景特征和显著性特征，得到该张影像的区域特征，根据第二候选集中每张影像的场景特征和显著性特征，得到该张影像的查询特征；S6 分别对第一候选集中各张影像的区域特征和第二候选集中各张影像的查询特征进行预测概率计算，得到各个区域特征的预测概率和各个查询特征的预测概率；S7 根据各个区域特征的预测概率的排序结果，确定M个区域特征作为第一推荐特征集，根据各个查询特征的预测概率的排序结果，确定N个查询特征作为第二推荐特征集，N为正整数，M为大于0且小于N的整数；S8 根据筛选策略对第一推荐特征集和第二推荐特征集进行筛选，得到推荐结果。2.根据权利要求1所述的方法，其特征在于，所述第一推荐特征集包括M个第一推荐特征，所述第二推荐特征集包括N个第二推荐特征；步骤S8包括：S81 针对第一推荐特征集中的每个第一推荐特征，计算该第一推荐特征与第二推荐特征集中的每个第二推荐特征之间的相似度，将相似度排在前q个的第二推荐特征作为一组候选特征，q为正整数；S82 重复步骤S81，得到M组候选特征；S83 将M组候选特征进行去重处理，并与第一推荐特征集进行合并，得到最终的推荐特征集；S84 根据最终的推荐特征集得到对应的推荐影像，作为推荐结果。3.根据权利要求1所述的方法，其特征在于，所述第一网络模型包括第一特征提取网络、特征筛选网络和第一特征融合网络，步骤S3包括：S31 使用第一特征提取网络分别提取第一候选集中每张影像的金字塔特征和第二候选集中每张影像的金字塔特征；S32 针对每张影像的金字塔特征，利用特征筛选网络中的特征筛选函数去除每层金字塔特征中的冗余信息，得到金字塔精炼特征；S33 使用第一特征融合网络对每张影像对应的金字塔精炼特征分别进行从上到下、从下到上的逐层特征融合，得到两个融合特征，对两个融合特征进行向量内积的计算，得到每张影像对应的场景特征。4.根据权利要求3所述的方法，其特征在于，在步骤S31中，第一特征提取网络包括7*7卷积层、最大池化层、4个残差块，其中，每个残差块包括2个残差单元，每个残差单元包含2个3*3卷积层，残差单元之间设置shortcut进行连接；将第一候选集或第二候选集输入第一特征提取网络，使用7*7卷积层对影像进行特征提取，得到第一特征图，记为X1，使用最大池化层对第一特征图进行池化处理，之后将池化处理后的特征图依次输入4个残差块，分别得到对应的4个特征图，记为第二特征图X2、第三特征图X3、第四特征图X4、第五特征图X5，其中，每个特征图的尺度均不相同，按数据流向特征图的尺度依次增大；
将第五特征图X5作为第一层金字塔特征；将第五特征图X5进行上采样操作，并与第四特征图X4进行特征拼接，得到第二层金字塔特征；将第二层金字塔特征进行上采样操作，并与第三特征图X3进行特征拼接，得到第三层金字塔特征；将第三层金字塔特征进行上采样操作后与第二特征图X2进行特征拼接，得到第四层金字塔特征；将第四层金字塔特征进行上采样操作，并与第一特征图X1进行特征拼接，得到第五层金字塔特征；将第一层金字塔特征、第二层金字塔特征、第三层金字塔特征、第四层金字塔特征、第五层金字塔特征按照顺序进行排列，组成金字塔，即得到金字塔特征。5.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：李群，李洁，张丽，邹圣兵，
申请(专利权)人：北京数慧时空信息技术有限公司，
类型：发明
国别省市：