一种基于半监督学习的多源遥感影像融合分类方法技术

本发明专利技术公开了一种基于半监督学习的多源遥感影像融合分类方法，采用基于伪标签的半监督学习算法架构，通过引入特征聚合模块并与主动遥感结合来增强特征的质量以间接提高伪标签的质量；在伪标签获取阶段，计算出各个类别的学习难度，并为其分配相应的动态阈值，为困难类别提供相对公平的训练机会，通过将标记样本表示为高斯分布的形式，能够有效地捕捉样本空间中标记样本和未标记样本之间的相似性，得到类别平衡且高置信度的伪标记样本；通过构建半监督学习框架，扩充训练样本的数量。本发明专利技术在标记样本有限的情况下实现了多源遥感图像的精准分类，成功将多源遥感图像分类任务从监督学习范式转变为半监督学习范式。

【技术实现步骤摘要】

本专利技术涉及遥感影像处理领域，尤其是一种能有效提升特征提取的质量，实现伪标记样本训练类别的均衡，提高伪标签的可信度，在较少标记样本的情况下实现精度提升的基于半监督学习的多源遥感影像融合分类方法。

技术介绍

1、作为一种无接触的远距离探测技术，遥感影像对地观测技术已被广泛应用于地表覆盖地物分类领域。深度神经网络(dnn)特别是卷积神经网络(cnn)因其强大的特征学习能力、层级表示等优势，已经在高光谱影像分类领域展现出比传统机器学习方法更为卓越的性能，成为当下的流行方法之一。然而，由于大气吸收和散射对于光的影响使得高光谱数据受到大气干扰，且高光谱影像无法提供地物的三维结构信息，使得在复杂地形或覆盖不均匀的区域就无法仅通过高光谱得到有效地区分。lidar数据可以提供宝贵的高程信息且lidar数据不受大气影响，与高光谱影像具有非常好的互补性。通过将高光谱影像和lidar数据融合使用，可以克服各自的局限性，使得能够更全面、更准确的描述地表特征，提高分类的精度。

2、xu等人于2018年提出了一种双分支卷积神经网络，通过分别提取高光谱影像的光谱特征和空间本文档来自技高网...

【技术保护点】

1.一种基于半监督学习的多源遥感影像融合分类方法，其特征在于按如下步骤进行：

【技术特征摘要】

1.一种基于半监督学习的多源遥感影像融...

【专利技术属性】
技术研发人员：王相海，王露，冯一宁，程伟，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：