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】
本专利技术涉及深度学习技术的高分辨率遥感土地分类领域,具体涉及大尺度区域下无标注成本的遥感分类方法和系统。
技术介绍
1、准确的土地覆被地图对于环境科学、气候监测、粮食安全、城市规划、灾害管理和生态系统保护等各个研究领域都至关重要(zhang and roy,2017)。尤其是高分辨率(≤1m)卫星影像具有丰富的地物纹理、形状和空间分布信息,对于高异质性区域的详细地图绘制有着重要贡献。由于深度学习技术能够捕获更细粒度的局部上下文信息,具有强大的特征表示和模式识别能力,目前已广泛的应用于遥感影像的土地覆被和利用分类任务中。全监督模型依赖于海量的训练样本,当训练集的数据量比较小或者标注质量较差时,深度学习模型难以达到满意的分类效果。而高分辨率影像中地物的形状和之间的关系复杂,通过人工标注过程获得高精度注释需要耗费大量的人力和物力。因此,解决标签获取难度大和成本高这个问题对于推动高分辨率影像分类研究的进一步发展具有重要的意义。
2、目前,已有许多开源的高精度的全球土地覆被产品,比如30m分辨率的globeland30(chen et al.,2015),10m分辨率的from-glc10(gong et al.,2019)和worldcover。这些土地覆被产品包含了多个类别的土地覆被信息,它们的质量在各类研究都得到充分的验证和认可。因此,它们是一个高质量的全球土地覆被样本库,继而也为高分辨率影像土地覆被分类标签缺乏这个问题提供了一个新的解决方案,即可以利用这些土地覆被产品作为弱监督信息去指导高分辨率影像的分类。
< ...【技术保护点】
1.基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:首先对训练集数据进行旋转、增强处理,在模型初期,利用基于ImageNet数据集预先训练的骨干网络提供的参数,以增强模型性能并加快目标任务的收敛;将初始标签转化为超像素标签,以超像素的方式进行训练,计算超像素损失函数;在模型后期冻结初始训练网络,即分类器前面的网络,并将训练得到的权重迁移至新的相同训练模型,该模型后面连接两个分类器,分别是基础分类器fb和拓展分类器fe,其中基础分类器用于巩固和优化初期学习结果,拓展分类器用于探索之前标签中不存在的高分辨率信息;
3.根据权利要求2所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:设输入的图像经过超像素分割之后得到了N个超像素,每一个超像素的标签表示为y,其模型预测结果为那么初期训练阶段,初期损失函数L初期表示为:
4.根据权利要求2所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:利用初期训练网络权重对输入影像进
5.根据权利要求4所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:基础分类器的损失函数计算如下;
6.根据权利要求4所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:拓展分类器的损失函数如下;
7.根据权利要求4所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:采用对基础分类器和拓展分类器进行一致性正则化约束,用于实现两个分类器信息的相互学习;在预测阶段,对两个分类器输出概率进行相加作为最终的输出概率,一致性损失函数Lcon(fb,fe)定义如下:
8.根据权利要求1所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:步骤4中,利用测试数据集对模型训练效果进行评价,评价指标包括,全局分类精度OA,平均交并比mIoU,平均F1分数mF1。
9.根据权利要求1所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:步骤1中所述预处理包括大气校正,辐射校正、正射校正、图像融合和镶嵌操作;步骤2中的开源土地覆被产品为10米分辨率土地覆被产品,包括:耕地、林地、草地、水体、灌木、不透水面、裸地、湿地、冰雪和苔原冻土10个类别,采用自然邻近法对其重采样至1米分辨率;步骤3中土地覆被分类数据集包括目标区域影像数据、土地覆被产品数据以及真实数据,对所有数据以零重复率进行规则格网裁剪,并与原坐标系统和空间位置保持一致。
10.基于知识一致性约束的跨分辨率土地覆盖分类系统,其特征在于,包括如下模块:
...【技术特征摘要】
1.基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:首先对训练集数据进行旋转、增强处理,在模型初期,利用基于imagenet数据集预先训练的骨干网络提供的参数,以增强模型性能并加快目标任务的收敛;将初始标签转化为超像素标签,以超像素的方式进行训练,计算超像素损失函数;在模型后期冻结初始训练网络,即分类器前面的网络,并将训练得到的权重迁移至新的相同训练模型,该模型后面连接两个分类器,分别是基础分类器fb和拓展分类器fe,其中基础分类器用于巩固和优化初期学习结果,拓展分类器用于探索之前标签中不存在的高分辨率信息;
3.根据权利要求2所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:设输入的图像经过超像素分割之后得到了n个超像素,每一个超像素的标签表示为y,其模型预测结果为那么初期训练阶段,初期损失函数l初期表示为:
4.根据权利要求2所述的基于知识一致性约束的跨分辨率土地覆盖分类方法,其特征在于:利用初期训练网络权重对输入影像进行预测,在预测结果上,安装p%的比例随机选取点,作为初始点标签,并利用距离余弦函数,判断点标签是否符合标准,保留符合标准的点,用于计算基础分类器损失函数;之后,利用点标签和预测概率将点标签拓展为面标签,计算拓展分类器损失函数;最后,利用正则化训练方式实现基础分类器和拓展分类器的动态交互,进而计算一致性损失函数,最后结合基础分类器损失函数、拓展分类器损失函数和一致性损失函...
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。