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技术

本发明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知识，而且消耗了大量的人力资源，这通常是不经济的
。
为了减少对标记数据的依赖，引入了无监督学习
。
与监督或半监督方法相比，无监督域自适应
(UDA)
技术中的目标域不包含标记样本，而是从标记的源域中学习相关信息
。
[0004]无监督域自适应方法一般可以分为两类
。
第一种类为基于统计的方法，该方法使用平均值或高阶矩来衡量域之间的分布差异，并最小化统计度量以对齐不同的域
。
第二种类型是基于生成对抗网络的方法
。
然而，由于遥感图像特征复杂，人工设计的统计度量难以表征复杂的特征分布信息
。
因此，研究人员主要关注基于对抗学习的方法
。DANN
首先将生成对抗网络引入迁移学习领域
。
在
DANN
中，域鉴别器用于区分样本是来自源域还是目标域，而特征提取器则提取令域判别器难以区分的特征
。
当域鉴别器和特征提取器达到动态平衡时，源域和目标域的特征分布对齐
。
[0005]在传统的对抗训练方法中，通常只选择特征提取器输出的最后一层特征来表示图像特征
。
但是，由于拍摄卫星
、
位置等因素的差异，遥感图像的关键部分差异较大，因此仅提取图像的深层特征是不够的
。
同时，在同一遥感数据集中，不同类别的图像数量可能存在不平衡的现象
。
在这种情况下，目前使用的基于熵最小化的方法存在副作用
。
它倾向于将样本数目较少的类别判断为样本数目较多的类别，这会降低未标记数据的预测多样性
。

技术实现思路

[0006]本专利技术的技术解决问题是：克服现有技术的不足，即当下遥感跨域场景分类方法中存在的图像差异性较大以及类间图像数目不平衡的问题，提出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，该方法中，中间特征层提取通过充分利用中间层特征能够有效提取域不变特征，从而更好地实现跨域分类
。
核范数最大化通过使用目标域预测输出的核范数能有效约束未标记样本的预测多样性和可分辨性，从而能更好地实现跨域分类
。
[0007]本专利技术的技术解决方案是：
[0008]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，该方法的步骤包括：
[0009]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
；由于源域数据集和目标域数据集输送到同一特征提取
F
中，因此所得到的源域特征图和目标域特征图层数相等；
[0010]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；
[0011]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；
[0012]第二步，从第一步所得到的
N
个源域中间层特征图中，使用迭代随机选取方法选取
n
个源域中间层特征图
f
iS
(i∈n)
，选取与随机选取的源域中间层特征图层数相同的
n
个目标域中间层特征图将源域中间层特征图
f
iS
和源域最后一层特征图输送到类别分类器
G
中，分别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，分别得到所对应的目标域预测表示和
[0013]第三步，将第二步得到的源域中间层特征图
f
iS
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
[0014]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；
[0015]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，完成跨域遥感场景分类
。
[0016]所本文档来自技高网...

【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：