System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利涉及到一种新的基于小样本的遥感场景分类方法,具体地说是一种可以整合浅层细粒度信息与深层语义信息,并能够增强模型对于图像重要区域的关注、增强区域之间的相关性的深度学习方法。本专利技术能够有效地完成遥感场景分类任务,属于遥感场景分类领域。
技术介绍
1、遥感图像的场景分类在遥感领域是一项具有重要意义的任务,其重要目的是为了能够准确的完成对于众多场景(森林、沙漠等)的分类,通过实现遥感图像的场景分类,人们可以更好地实现道路探测、灾害预测等。
2、深度学习作为新兴人工智能技术,在计算机视觉、自然语言处理等多个领域中占据领先地位。由于卷积神经网络可以提取高级代表性特征的特点,越来越来的研究人员开始利用卷积神经网络(convolutional neural networks,cnn)的方法来完成遥感图像场景分类任务。它依靠带有标签的样本数据进行长时间的训练,从而获取具有高性能的模型,其性能远超传统算法。然而,在深度学习的众多实际应用中,获取大量带标签的样本数据很困难或者代价很高。在这种场景下训练模型,其泛化能力会降低。因此,适用于少量带标签数据场景的小样本学习便成了人工智能研究人员需要重点突破的任务。
3、目前小样本学习中,最流行的学习方法是基于度量学习的小样本学习方法。通过将输入数据划分成支持集和查询集,计算支持集内样本与查询集内样本的相似度,来完成对于数据的分类任务。但是目前的基于度量学习的小样本学习没有充分利用遥感图像的浅层细粒度特征,本专利专利技术了一种基于小样本学习的遥感场景分类方法,该方法可以整合多
技术实现思路
1、本专利技术的目的是针对遥感场景分类任务中,浅层特征利用不充分的问题,提出了一种可以结合浅层细粒度特征和深层语义特征的深度学习方法,能够使得模型更好地学习到图像不同区域之间的相关性,并增强图像中有利于分类的区域。
2、为实现上述目的,本专利技术采用以下技术方案:
3、作为优选方案,所述步骤一包括:将样本划分为训练集dtrain、验证集dval和测试集dtest;对数据的预处理包含有尺度变换、数据标准化、随机裁剪、图像随机翻转。
4、作为优选方案,所述步骤二包括:构造特征提取器,采用resnet-12作为特征提取器。
5、作为优选方案,所述步骤三包括:构建一个区域互相关模块,对输入的特征图进行区域划分,将划分之后的特征图在区域维度上进行相关性计算,然后利用卷积对特征图进行降噪降维处理。
6、作为优选方案,所述步骤四包括:构建一个多尺度特征融合模块,将特征提取器每层的特征输出结果输入至区域互相关模块,并做拼接操作。
7、作为优选方案,所述步骤五包括:构建损失函数l,其由损失lcls和损失laux组成,lcls、laux的形式为cross entropy损失函数。
8、作为优选方案,所述步骤六包括:在训练集dtrain、验证集dval和测试集dtest中,分别随机划分支持集ssup和查询集sqry。
9、作为优选方案,所述步骤七包括:resnet-12由4个卷积块组成。每个卷积块都由3个2-d卷积层、1个最大池化层和1个下采样层构成。
10、作为优选方案,所述步骤八包括:采用unfold操作利用矩形滑动窗口对输入特征进行区域划分;将划分好的区域特征输入至区域相关计算模块完成区域相关性学习;利用卷积层完成特征降维和滤除噪声。
11、作为优选方案,所述步骤九包括:将来自不同层次的特征在通道维度进行concat。
12、本专利技术所带来的有益技术效果:
13、(1)本专利技术采用resnet-12作为特征提取器,其具有优秀的性能和较低的计算复杂度,既可以有效地解决深度神经网络中的梯度消失和梯度爆炸问题,又可以在保持较小计算量的同时实现高精度的分类。
14、(2)本专利技术通过结合多尺度信息,能够充分利用遥感图像的浅层细粒度信息和深层的语义信息,使得模型在训练过程中能够学到更丰富的知识。
15、(3)本专利技术中的区域互相关模块,强调了区域对于小样本学习的遥感场景分类的重要性,能够将模型学习重点迁移到区域范围,通过计算不同区域之间的相关性,让模型更好地学习到区域之间的关联性,能够更加关注到每个区域对于分类的有效性。
本文档来自技高网...【技术保护点】
1.一种基于小样本的遥感场景分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤一包括:将样本划分为训练集Dtrain、验证集Dval和测试集Dtest;对数据的预处理包含有尺度变换、特征标准化、随机裁剪、图像随机反转。
3.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤二包括:特征提取器采用ResNet-12。
4.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤三包括:构建一个区域互相关模块,对输入的特征图进行区域划分,将划分之后的特征图在区域维度上进行相关性计算,然后利用卷积对特征图进行降噪降维处理。
5.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤四包括:构建一个多尺度特征融合模块,将权利要求3中提到的特征提取器每层的特征输出结果输入至权利4中提到的区域互相关模块,并做拼接操作。
6.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤五包括:构建损失函数L,其由损失Lcls
7.根据权利要求2所述基于小样本的遥感场景分类方法,其特征在于,在训练集Dtrain、验证集Dval和测试集Dtest中,分别随机划分支持集Ssup和查询集Sqry。
8.根据权利要求3所述特征提取器,其特征在于,由4个卷积块组成;每个卷积块都由3个2-D卷积层、1个最大池化层和1个下采样层构成。
9.根据权利要求4所述基于小样本的遥感场景分类方法,其特征在于,采用折叠操作通过矩形滑动窗口对输入特征进行区域划分;将划分好的区域特征输入至区域相关计算模块完成区域相关性学习;利用卷积层完成特征降维和滤除噪声。
10.根据权利要求5所述基于小样本的遥感场景分类方法,其特征在于,将来自不同层次的特征在通道维度进行拼接操作。
...【技术特征摘要】
1.一种基于小样本的遥感场景分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤一包括:将样本划分为训练集dtrain、验证集dval和测试集dtest;对数据的预处理包含有尺度变换、特征标准化、随机裁剪、图像随机反转。
3.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤二包括:特征提取器采用resnet-12。
4.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤三包括:构建一个区域互相关模块,对输入的特征图进行区域划分,将划分之后的特征图在区域维度上进行相关性计算,然后利用卷积对特征图进行降噪降维处理。
5.根据权利要求1所述基于小样本的遥感场景分类方法,其特征在于,所述步骤四包括:构建一个多尺度特征融合模块,将权利要求3中提到的特征提取器每层的特征输出结果输入至权利4中提到的区域互相关模块,并做拼接操作。
【专利技术属性】
技术研发人员:周立俭,赵志昂,王锡亮,赵锟,
申请(专利权)人:青岛理工大学,
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。