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】
本专利技术涉及遥感,尤其涉及一种基于样本重要性选择的遥感语义分割方法。
技术介绍
1、遥感语义分割是一种在像素级别上的分类方法,其属于同一类的像素都要被归为一类,因此,遥感影像的分类、信息提取也适用合成语义分割方法,可广泛应用于地球观测、土地利用、土地覆盖或制图应用等领域。遥感语义分割问题面临灾难性遗忘挑战。现有的方法假定所有样本的信息相等,但实际上,不同的样本对于深度神经网络的克服灾难性遗忘问题存在显著差异,可称之为:样本单调性假设,也即一个难以预测的样本比一个比较容易预测的样本对于增量学习器来说具有更多的信息量,且信息量与样本预测置信度呈负相关。
2、灾难性遗忘指的是当深度神经网络在学习新任务时,旧任务的知识被遗忘的现象。这会导致模型在历史任务上的性能下降,甚至出现无法回溯的情况。因此,克服灾难性遗忘是实现遥感场景下深度神经网络持续学习的关键。目前缓解灾难性遗忘的增量学习方法主要采用三种策略:回放法通过将旧任务的代表性样本与新样本一起输入模型训练来帮助模型保留旧任务的知识;正则化法限制与旧任务相关的模型参数的改变从而保留旧任务的知识;结构法通过在保留原有模型的基础上,添加新的网络层或者添加网络结构例如分支结构或注意力机制等以适应新任务。但上述三种策略均可能会导致不必要少信息样本被添加到训练集中,从而造成模型性能的降低。
3、同时,现有增量学习方法基于样本同一性假设,即假定在学习任务中样本的信息相等。而在遥感场景下,由于时空谱异质性的原因即地物类别特征与数量的差异、成像条件的不一致性等因素,不同遥感影像
技术实现思路
1、为解决上述现有技术中存在的技术问题,本专利技术的目的在于提供一种基于样本重要性选择的遥感语义分割方法,通过从新增样本和历史样本中筛选出富信息样本,并通过富信息样本集对模型进行训练,以提高遥感语义分割模型的性能和克服灾难性遗忘。
2、为实现上述专利技术目的,本专利技术提供的一种基于样本重要性选择的遥感语义分割方法,包括以下步骤:
3、步骤s1、获取无标签的新增样本,根据所述无标签的新增样本的置信度及低置信度样本选择学习策略对所述无标签的新增样本进行排序、选择和标注,获得低置信度新增样本;
4、步骤s2、获取带标签的历史样本,根据所述带标签的历史样本的iou精度及低精度样本选择回放策略对所述带标签的历史样本进行排序和选择,获得低精度历史样本;
5、步骤s3、所述低置信度新增样本和所述低精度历史样本组成富信息样本集,通过所述富信息样本集训练语义分割模型,对所述语义分割模型进行微调。
6、根据本专利技术的一个技术方案,所述语义分割模型在t=1…t个阶段中不断学习,并且在每个阶段末得到更新后的新模型;
7、所述语义分割模型包括一个特征提取器和一个分类器,所述特征提取器用于获取样本的特征,所述分类器用于输出分割预测结果;所述语义分割模型在域增量的模型训练过程中,各个阶段的样本类型c固定。
8、根据本专利技术的一个技术方案,在所述步骤s1中,具体包括:
9、步骤s11、获取所述无标签的新增样本,并输入至所述语义分割模型,对所述无标签的新增样本进行预测;
10、步骤s12、根据预测结果计算所述无标签的新增样本的样本置信度,并根据计算得出的样本置信度对所述无标签的新增样本排序,形成信息量单调递减的增量样本序列;
11、步骤s13、从所述增量样本序列中筛选出低置信度新增样本并对所述低置信度样本进行标注;
12、步骤s14、根据标注后的所述低置信度样本,生成所述低置信度新增样本集dt,所述低置信度新增样本集dt中的每个样本包含成对的图像与标注文件(it,gt),其中it表示一张大小为h×w的图像,gt表示与图像相同大小的标签mask。
13、根据本专利技术的一个技术方案,在所述步骤s12中,计算所述无标签的新增样本的样本置信度包括:
14、计算所述无标签的新增样本的影像中各像素的像素置级别的置信度,并对整幅影像所有像素的最高置信度取均值,获得所述无标签的新增样本的样本置信值cf;
15、所述无标签的新增样本的样本置信值cf的计算公式如下:
16、
17、
18、其中,cf(pixel)表示像素级别的置信度;表示t阶段所述语义分割模型的对于无标签样本的预测结果;c表示所有类别;w,h对应为影像的宽度、高度;c表示像素最高置信度;c′表示单个像素置信度;cf(imgi)表示第i张影像的样本级别的置信度。
19、根据本专利技术的一个技术方案,在步骤s13中,通过学习比率因子对所述增量样本序列中新增样本进行筛选,具体包括:
20、根据所述学习比率因子计算低置信度新增样本集的样本数量,从所述增量样本序列中选择排名靠前的对应数量的新增样本;所述学习比率因子的取值范围为0~100%。
21、根据本专利技术的一个技术方案,在所述步骤s2中,具体包括:
22、步骤s21、获取所述带标签的历史样本,并输入至所述语义分割模型,对所述带标签的历史样本进行预测;
23、步骤s22、根据预测结果计算所述带标签的历史样本的iou精度,形成信息量单调递减的历史样本序列;
24、步骤s23、在所述历史样本序列中筛选出所述低精度历史样本,生成低精度历史样本集。
25、根据本专利技术的一个技术方案,在所述步骤s22中,首先计算所述带标签的历史样本中单个类别的iou精度,再对所述带标签的历史样本中所有类别的iou精度求均值得到所述带标签的历史样本的平均iou精度;
26、所述带标签的历史样本的iou精度计算公式如下:
27、
28、
29、其中,c表示所有类别,c表示其中某一类别,表示预测结果,表示真实标签。
30、根据本专利技术的一个技术方案,在所述步骤s23中,根据回放比率因子对所述历史样本序列进行筛选,具体包括:
31、根据所述回放比率因子计算所述低精度历史样本集的样本数量,从所述历史样本序列中选择排名靠前的对应数量的历史样本;所述回放比率因子的范围为0~25%。
32、根据本专利技术的一个技术方案,所述步骤s3还包括根据学习效率指标评估模型的训练效果,所述学习效率指标的计算公式如下:
33、
34、其中,a、b表示更新后和更新前的模型。
35、本专利技术与现有技术相比,具有如下有益效果:
36、本专利技术提出了一种基于样本重要性选择的遥感语义分割方法,通过计算增量样本的置信度并形成信息量递减的增量样本序列,从中筛选出富信息的低置信度增量样本;利用iou评价历史样本,筛本文档来自技高网...
【技术保护点】
1.一种基于样本重要性选择的遥感语义分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于样本重要性选择的遥感语义分割方法,其特征在于,所述语义分割模型在t=1…T个阶段中不断学习,并且在每个阶段末得到更新后的新模型;
3.根据权利要求2所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤S1中,具体包括:
4.根据权利要求3所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤S12中,计算所述无标签的新增样本的样本置信度包括:
5.根据权利要求3所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在步骤S13中,通过学习比率因子对所述增量样本序列中新增样本进行筛选,具体包括:
6.根据权利要求3所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤S2中,具体包括:
7.根据权利要求6所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤S22中,首先计算所述带标签的历史样本中单个类别的IoU精度,再对所述带标签的历史样本中所有类别的IoU
8.根据权利要求6所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤S23中,根据回放比率因子对所述历史样本序列进行筛选,具体包括:
9.根据权利要求1所述的基于样本重要性选择的遥感语义分割方法,其特征在于,所述步骤S3还包括根据学习效率指标评估模型的训练效果,所述学习效率指标的计算公式如下:
...【技术特征摘要】
1.一种基于样本重要性选择的遥感语义分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于样本重要性选择的遥感语义分割方法,其特征在于,所述语义分割模型在t=1…t个阶段中不断学习,并且在每个阶段末得到更新后的新模型;
3.根据权利要求2所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤s1中,具体包括:
4.根据权利要求3所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在所述步骤s12中,计算所述无标签的新增样本的样本置信度包括:
5.根据权利要求3所述的基于样本重要性选择的遥感语义分割方法,其特征在于,在步骤s13中,通过学习比率因子对所述增量样本序列中新增样本进行筛选,具体包括:
6...
【专利技术属性】
技术研发人员:符晗,肖俊文,李海峰,贺广均,冯鹏铭,陈元伟,陈千千,
申请(专利权)人:航天恒星科技有限公司,
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。