基于知识一致性约束的跨分辨率土地覆盖分类方法和系统技术方案

技术编号：41181102 阅读：5 留言：0更新日期：2024-05-07 22:15

本发明专利技术公开了一种基于知识一致性约束的跨分辨率土地覆盖分类方法和系统，包括开源土地覆被产品与遥感影像的获取与预处理，深度学习样本集制作，语义分割模型训练，分类效果的目视比较与精度评价，土地覆被产品图制作。本发明专利技术旨在构建一个适用于高分辨率遥感影像智能分类方法体系，将低分辨率开源土地覆被产品作为弱监督信息去指导高分辨率遥感影像的语义分割，在无需任何标注成本的情况下实现高分辨率土地覆被制图，对于减少遥感影像的语义分割对标注的依赖具有重要的意义。

全部详细技术资料下载

【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。

<p>3、已有学者采用现有的土地覆被产品对高分辨率影像进行分类。例如dong et al.(2022)提出一种新的在线噪声校正方法和协同噪声校正损失联合优化网络参数来对标签中的噪声进行校正，提高包含较少噪声标签的训练集的性能。li et al.(2022)提出了一种由低到高的弱监督语义分割模型(l2hnet)，利用30m的粗糙标签实现了1m影像的语义分割。然而，尽管已有很多尝试使用现有的土地覆被产品作为高分辨率土地覆盖分类的标签，但这些方法仍然存在一定的局限性。它主要包括以下两点:(1)一些多阶段方法依赖于其他辅助技术和数据源，在实际应用中效率不够。(2)基于高置信度选取区域或去噪标签的方法仅依赖原始低分辨率信息，导致模型在面对复杂的高分辨率特定场景时适应性不足。因此，针对以上情况，本专利技术提出了一种基于知识一致性约束的跨分辨率土地覆盖分类方法，可以鼓励模型主动挖掘初始土地覆被产品中没有的高分辨率信息，无需任何辅助数据源和技术，使模型对不同分辨率下的信息具有较强的适应性，从而能够快速、准确，并且无需任何成本的情况下实现大尺度高分辨土地覆被制图。

技术实现思路

1、针对现有利用卫星遥感数据进行土地覆被分类对准确标签的过度依赖这一问题，本专利技术提出一种基于知识一致性约束的跨分辨率土地覆盖分类方法，将遥感影像预处理、样本集构建、弱监督学习模型训练及预测结果精度评价等方法组合，使用高分2号卫星数据和欧空局土地覆被产品实现大范围高分辨率土地覆被分类，显著降低了深度学习模型训练对地面真实标签的依赖性，提高了遥感影像语义分割的效率，突破了传统的技术。

2、为了实现上述目的，本专利技术采用以下技术方案：基于知识一致性约束的跨分辨率遥感地表覆盖分类方法，包括如下步骤：

3、步骤1，遥感影像收集及预处理：对收集的高分辨率遥感影像进行预处理操作，得到目标区域影像；

4、步骤2，开源土地覆被产品收集：根据目标区域范围，收集土地覆被产品，并对其进行重分类和重采样操作，最后根据影像位置对土地覆被产品进行地理配准；

5、步骤3，弱监督遥感影像土地覆被分类数据集制作，并划分训练集和测试集；

6、步骤4，构建基于知识进化学习的弱监督语义分割模型，利用制作好的训练集进行训练，根据测试集评价结果保存最佳分割模型；

7、步骤4中所述弱监督语义分割模型采用vgg模型作为骨干网络，得到各阶段的侧输出，然后将各阶段的侧输出重新采样到与输入大小相同的大小，并进行连接，得到特征地图，然后利用多个全连接层对特征映射进行降维，得到层次特征，然后再通过一个全连接层，最后利用分类器求出预测概率；

8、步骤5，根据步骤4得到的最佳分割模型，对预测影像进行预测，采用先切片预测再拼接的方法，将拼接后的预测结果赋予原影像的坐标系统和空间位置信息。

9、进一步的，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；

10、整体训练过程采用的是分阶段逐步训练的策略，在不同训练阶段，采用的是不同的损失函数和不同的学习率，在初期阶段，由于标签中不确定较大，采用小的学习率lrl，而在后期学习阶段，采用大的学习率lrh，因此，整个模型的损失函数l表示如公式所示：

11、

12、tl表示初始学习阶段结束时间，th是总训练时间，t表示训练时间，l初期表示模型初期损失函数，l后期表示模型后期损失函数。

13、进一步的，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：

14、

15、其中，h表示交叉熵损失函数。

16、进一步的，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数，得到模型的后期损失函数；

17、模型后期损失函数l后期表示为：

18、l后期＝lseg(fb)+lexp(fe)+λconlcon(fb,fe)

19、λcon为一致性正则化损失的权重，lseg(fb)表示基础分类器损失函数，lexp(fe)表示拓展分类器损失函数，lcon(fb,fe)表示一致性损失函数。

20、进一步的，基础分类器的损失函数计算如下；

21、根据p％的点比例在初期预测结果上随机抽取样本点，利用某一类所有点的特征计算得到该类别的原型向量：

22、

23、其中，表示类别c的原型向量，表示属于类别c本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：陈钰嘉，崔浩，张过，
申请(专利权)人：武汉大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人