【技术实现步骤摘要】
一种基于中间层特征提取和核范数最大化的跨域遥感场景分类方法
[0001]本专利技术涉及一种基于中间层特征提取和核范数最大化的跨域遥感场景分类方法,属于遥感图像处理领域
。
技术介绍
[0002]随着卫星和遥感技术的进步,遥感图像的数量正在迅速增加
。
场景分类是一种能够有效处理遥感图像的方法,旨在将遥感图像分为不同的语义类别
。
遥感场景分类在城市规划
、
地质灾害检测等领域发挥着重要作用
。
然而,由于地理分布
、
成像条件
、
传感器等方面的差异,不同遥感数据集的数据分布差异较大
。
为了适应不同数据集之间的分布差异,提出了域自适应方法
。
域自适应方法中包含源域和目标域
。
由于不同域之间的数据分布差异,在源域上训练得到的模型在目标域中进行测试时,通常很难获得令人满意的结果
。
在域自适应中,将源域和目标域的数据映射到同一特征空间,使两个域之间的分布差异在该特征空间中最小化,使目标域能够充分利用源域中的丰富信息
。
[0003]目前,深度学习在
DA
领域发挥着重要作用
。
卷积神经网络
(CNN)
是深度学习方法中最具代表性的模型之一
。CNN
在训练过程中通常需要使用大量的标注数据
。
虽然可以获得的遥感图像数量大大增加,但标注这些图像不仅依赖专业 ...
【技术保护点】
【技术特征摘要】
1.
一种基于中间层特征提取和核范数最大化的跨域遥感场景分类方法,其特征在于该方法的步骤包括:第一步,获取两个不同的遥感数据集,并选择两个遥感数据集中的公共类中的图像作为场景分类的对象,将其中一个遥感数据集作为源域数据集,另外一个遥感数据集作为目标域数据集,将源域数据集输送到特征提取器
F
中,得到源域特征图
f
S
,将目标域数据集输送到特征提取器
F
中,得到目标域特征图
f
T
;所述源域特征图中包括特征提取器
F
的
N
个源域中间层特征图和源域最后一层特征图;所述目标域特征图中包括特征提取器
F
的
N
个目标域中间层特征图和目标域最后一层特征图;第二步,从第一步所得到的
N
个源域中间层特征图中,随机选取
n
个源域中间层特征图并选取
n
个目标域中间层特征图将源域中间层特征图和源域最后一层特征图输送到类别分类器
G
中,得到所对应的源域预测表示和将目标域中间层特征图和目标域最后一层特征图输送到类别分类器
G
中,得到所对应的目标域预测表示和第三步,将第二步得到的源域中间层特征图与其所对应的源域预测表示以多线性映射的方式级联起来得到源域中间层的级联结果将源域最后一层特征图和其所对应的源域预测表示以多线性映射的方式级联起来得到源域最后一层的级联结果将目标域中间层特征图与其所对应的目标域预测表示以多线性映射的方式级联起来得到目标域中间层的级联结果将目标域最后一层特征图和其所对应的目标域预测表示以多线性映射的方式级联起来得到目标域最后一层的级联结果将源域中间层级联结果和目标域中间层的级联结果拼接得到
h
i
并输送到域分类器
D
中,同时将源域最后一层的级联结果和目标域最后一层的级联结果拼接得到
h
final
并输送到域分类器
D
中,得到域分类结果;第四步,根据第二步中得到的源域预测表示得到分类损失函数,根据目标域预测表示得到核范数最大化损失函数,根据第三步得到的域分类结果得到中间层特征提取损失函数,并使用分类损失函数
、
核范数最大化损失函数和中间层特征提取损失函数同时对特征提取器
、
类别分类器和域分类器进行优化,完成跨域...
【专利技术属性】
技术研发人员:陈亮,杜瑞彤,王国庆,张宁,刘文超,
申请(专利权)人:北京理工大学,
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。