一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法技术

本发明专利技术公开了一种基于伪标签不确定感知的遥感图像跨域小样本分类方法，包括：获取源域遥感图像数据以及目标域遥感图像数据；利用源域遥感图像数据对深度学习骨干网络模型进行预训练，以获得深度学习骨干网络模型的预训练初始化参数；构建用于半监督跨域训练的教师

【技术实现步骤摘要】
一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法


[0001]本专利技术涉及遥感图像跨域小样本分类
，具体涉及一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法
。

技术介绍

[0002]场景分类是遥感影像智能解译任务中的基本问题，即通过计算机视觉算法提取遥感图像中富含的语义信息，并对遥感图像赋予正确的语义标签，以实现对遥感图像所展示的场景进行分类
。
这是开展城市智能规划
、
土地统计分析
、
区域自动提取等遥感数据智能解译任务的基础
。
随着深度学习的广泛应用，卷积神经网络体现出强大的自动特征提取能力，使得遥感场景分类能力得到了显著提升
。
然而目前大多基于深度学习的场景分类方法均基于训练集和测试集采样自同一数据分布这一假设，该假设在遥感图像实际应用中是难以满足的
。
由于遥感图像来源于不同卫星传感器，受传感器类型
、
照射角度
、
拍摄位置等因素影响，获取到的遥感图像数据在成像
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法，其特征在于，包括以下步骤：
S101
：获取源域遥感图像数据以及目标域遥感图像数据；其中，所述源域遥感图像数据携带第一数目的标签，所述目标域遥感图像数据不携带标签；所述标签指示所述遥感图像数据的类别信息；
S102
：利用所述源域遥感图像数据对深度学习骨干网络模型进行预训练，以获得所述深度学习骨干网络模型的预训练初始化参数；
S103
：构建用于半监督跨域训练的教师
‑
学生网络模型；其中，所述教师
‑
学生网络模型包括教师模型和学生模型，所述教师模型包括所述深度学习骨干网络模型和教师映射器，所述学生模型包括所述深度学习骨干网络模型和学生映射器，所述深度学习骨干网络模型加载所述预训练初始化参数；
S104
：将所述源域遥感图像数据和所述目标域遥感图像数据输入所述教师
‑
学生网络模型进行训练，以获得训练后的深度学习骨干网络模型；
S105
：将待测试遥感图像数据输入所述训练后的深度学习骨干网络模型，以获得所述待测试遥感图像数据的分类结果，所述分类结果指示所述待测试遥感图像的类别；其中，所述待测试遥感图像数据携带第二数目的标签，所述第二数目小于所述第一数目
。2.
根据权利要求1所述的方法，其特征在于，所述构建用于半监督跨域训练的教师
‑
学生网络模型包括：
S103.1
：将所述预训练初始化参数加载至所述教师模型中的深度学习骨干网络模型以及所述学生模型中的深度学习骨干网络模型中；
S103.2
：学生模型使用梯度下降更新所述学生模型预训练初始化参数；
S103.3
：教师模型采用指数滑动平均更新所述教师模型预训练初始化参数，指数滑动平均参数更新表达式如下：其中，
θ
t
为教师模型预训练初始化参数，
θ
s
为学生模型预训练初始化参数，
m
为动量参数，
a
为当前迭代次数
。3.
根据权利要求1所述的方法，其特征在于，将所述源域遥感图像数据和所述目标域遥感图像数据输入所述教师
‑
学生网络模型进行训练，以获得训练后的深度学习骨干网络模型包括：
S104.1
：将所述源域遥感图像数据输入所述学生模型进行源域有监督学习，以使所述学生模型同步学习源域知识；其中所述源域知识至少包括源域遥感图像的中低层通用特征信息；
S104.2
：对所述目标域遥感图像数据进行弱增强处理和强增强处理，以分别获得弱增强数据和强增强数据；
S104.3
：将所述弱增强数据输入教师模型，经过教师模型处理，以获得教师预测概率和教师映射结果；
S104.4
：将所述强增强数据输入学生模型，经过学生模型处理，以获得学生预测概率和
学生映射结果；
S104.5
：对所述教师预测概率进行锐化处理，以获得伪标签；
S104.6
：对所述伪标签和所述学生预测概率进行一致性正则化处理；
S104.7
：构建不确定性感知的目标域难例样本挖掘策略，以对难例样本进行难例挖掘；其中，所述难例样本为难以区分类别的遥感图像数据；
S104.8
：将所述教师映射结果经过教师外部特征映射处理，以获得教师外部映射结果；将所述学生映射结果经过学生外部特征映射，以获得学生外部映射结果；
S104.9
：将所述教师映射结果与所述学生外部映射结果进行对比学习处理，将所述教师外部映射结果与所述学生映射结果对比学习处理；
S104.10
：基于所述源域有监督学习
、
所述一致性正则化处理
、
所述对比学习处理和所述难例样本挖掘策略，对所述预训练初始化参数进行更新，以获得训练后的深度学习骨干网络模型
。4.
根据权利要求3所述的方法，其特征在于，所述将所述源域遥感图像数据输入所述学生模型进行所述源域有监督学习包括：
S104.1.1
：对源域遥感图像数据进行特征提取，以获得源域数据特征结果；
S104.1.2
：对所述源域数据特征结果进行分类预测，以获得源域数据分类预测概率：对所述源域数据特征结果进行分类预测，以获得源域数据分类预测概率其中，为所述源域遥感图像样本，
i
为源域样本索引，
f
s
为特征提取器，
c
s
为分类器；
S104.1.3
：利用源域有监督损失函数对所述学生模型进行优化，所述源域有监督损失函数
L
S
表达式如下：其中，为交叉熵损失函数，为源域遥感图像数据对应标签，
N
S
为源域遥感图像数量
。5.
根据权利要求3所述的方法，其特征在于，所述对所述第一目标域遥感图像数据进行弱增强处理和强增强处理包括：所述弱增强处理包括：
S1...

【专利技术属性】
技术研发人员：陈禾，李灿，庄胤，张桐，倪润峰，周天行，张志成，陈亮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：