【技术实现步骤摘要】
一种地表覆盖分类方法、系统、电子设备及介质
[0001]本专利技术涉及地表覆盖分类领域,特别是涉及一种地表覆盖分类方法、系统、电子设备及介质。
技术介绍
[0002]深度学习不同于传统机器学习,深度学习是基于数据驱动的模型,需要大量的数据训练网络。在绵竹市数据集中,由于人工解译结果不够精细,很多地物的边界不够准确,如图6所示,黑色代表道路标签,这种边界不准确的现象在狭窄的道路类别中体现的最明显。数据存在缺陷是一个十分普遍的现象,大型公开数据集ImageNet也被曝出存在一定的错误。由于深度学习模型具有较强鲁棒性的特点,深度学习模型能在大量的数据中学会类别的特征信息,并忽略标签噪音对分类的影响。当然,这只是在少量标签噪音的情况下,能够忽略其影响,所以如何有效的减少标签噪音仍是需要解决的问题。
[0003]综上,若样本数据存在一定的错误,利用样本数据训练出来的网络模型也不能对待分类地表遥感影像进行准确分类。
技术实现思路
[0004]本专利技术的目的是提供一种地表覆盖分类方法、系统、电子设备及介质,以提高地表覆盖分类的准确性。
[0005]为实现上述目的,本专利技术提供了如下方案:
[0006]一种地表覆盖分类方法,包括:
[0007]获取待分类地表遥感影像数据;
[0008]利用地表覆盖分类模型,对所述待分类地表遥感影像数据进行分类,确定所述待分类地表遥感影像数据的地物类别;所述地表覆盖分类模型是利用优化后的样本数据集对第一Swin Transformer网络进行 ...
【技术保护点】
【技术特征摘要】
1.一种地表覆盖分类方法,其特征在于,包括:获取待分类地表遥感影像数据;利用地表覆盖分类模型,对所述待分类地表遥感影像数据进行分类,确定所述待分类地表遥感影像数据的地物类别;所述地表覆盖分类模型是利用优化后的样本数据集对第一SwinTransformer网络进行训练得到的;所述地物类别包括建筑、道路和/或河流;其中,优化后的样本数据集的确定过程,具体包括:获取初始样本数据集;所述初始样本数据集包括标注初始分类标签的训练用地表遥感影像数据;分类标签包括建筑、道路和河流;利用所述标注初始分类标签的训练用地表遥感影像数据对第二Swin Transformer网络进行训练,得到训练后的第二Swin Transformer网络;将未标注分类标签的训练用地表遥感影像数据输入至所述训练后的第二Swin Transformer网络,得到训练用地表遥感影像数据的第一预测类别;根据所述第一预测类别和所述初始分类标签,确定标注初始分类标签的训练用地表遥感影像数据的检测结果;所述检测结果为未标注区域、疑似标注错误区域或者标注正确区域;根据所述样本检测结果,更新所述标注初始分类标签的训练用地表遥感影像数据的分类标签;判断是否达到最大迭代次数;若是,则将更新分类标签后的训练用地表遥感影像数据作为优化后的样本数据集;若否,则返回“利用所述标注初始分类标签的训练用地表遥感影像数据对第二Swin Transformer网络进行训练,得到训练后的第二Swin Transformer网络”的步骤。2.根据权利要求1所述的地表覆盖分类方法,其特征在于,利用优化后的样本数据集对第一Swin Transformer网络进行训练,具体包括:将更新分类标签后的训练用地表遥感影像数据输入至当前第一Swin Transformer网络,得到训练用地表遥感影像数据的第二预测类别;利用交叉熵损失函数,确定所述第二预测类别和更新后的初始分类标签的交叉熵损失值;判断所述交叉熵损失值是否小于预设值;若否,则根据所述交叉熵损失值更新当前第一Swin Transformer网络的参数,并返回“将更新分类标签后的训练用地表遥感影像数据输入至当前第一Swin Transformer网络,得到训练用地表遥感影像数据的第二预测类别”的步骤;若是,则将当前第一Swin Transformer网络作为地表覆盖分类模型。3.根据权利要求1所述的地表覆盖分类方法,其特征在于,所述最大迭代次数的确定方法,具体包括:利用公式确定最大迭代次数;其中,P0为第二Swin Transformer网络的初始识别精度;A为样本精度。...
【专利技术属性】
技术研发人员:杨容浩,王迪,卢忠,刘汉湖,谭骏祥,李少达,杨佳,
申请(专利权)人:鑫辉智云集团有限公司,
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。