【技术实现步骤摘要】
本专利技术涉及遥感，更具体地，涉及一种基于完全对齐样本的对比学习遥感影像基础模型构建方法、一种基于完全对齐样本的对比学习遥感影像基础模型构建装置、一种电子设备以及一种存储介质。
技术介绍
1、利用深度学习进行遥感影像大范围、高效率地表解译逐渐成为自然资源调查监测、生态环境保护等领域应用的主要手段，构建解译模型的方法可以简单分为有监督方法和无监督方法。其中，无监督方法包括传统的降维法、聚类法等，无需人工干预，即可发现数据中的内在结构和关系。近年来，基于无监督学习思想的自监督学习方法也不断被提出，成为当前研究的重点。自监督学习使用精心设计的代理任务(pretext task)在无标签影像中生成伪标签，挖掘海量数据中的有用知识，提高模型的表征能力，自监督学习方法主要包括生成式和对比式两大类。
2、生成式自监督学习方法虽然可以在像素层级学习潜在特征，但这种方法容易学习到数据中大量的噪音，具有一定的局限性；对比式自监督学习方法使用类似孪生网络的架构，将通过数据增广的同一张图片视作可以分为同一类别的正样本对，而和其他的图片可以视作负样本...
【技术保护点】
1.一种基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，包括：
2.根据权利要求1所述的基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，所述基于所述预训练数据集对基于完全对齐样本的对比学习模型进行预训练，以获取编码器，包括：
3.根据权利要求2所述的基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，所述全局特征包括全局教师特征和全局学生特征，所述局部特征包括局部教师特征和局部学生特征，所述基于所述全局特征和所述局部特征对视觉变压器进行训练，以获得所述编码器，包括：
4.根据权利要求3所述...
【技术特征摘要】
1.一种基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，包括：
2.根据权利要求1所述的基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，所述基于所述预训练数据集对基于完全对齐样本的对比学习模型进行预训练，以获取编码器，包括：
3.根据权利要求2所述的基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，所述全局特征包括全局教师特征和全局学生特征，所述局部特征包括局部教师特征和局部学生特征，所述基于所述全局特征和所述局部特征对视觉变压器进行训练，以获得所述编码器，包括：
4.根据权利要求3所述的基于完全对齐样本的对比学习遥感影像基础模型构建方法，其特征在于，所述全局学生特征包括全局学生部分特征和学习部分特征，所述局部学生特征包括局部学生部分特征，所述全局教师特征包括全局教师部分特征，所述局部教师特征包括局部教师部分特征；
5.根据权利要求2所述的基于完全对齐样本的对比学习遥感影像...
【专利技术属性】
技术研发人员：杨懿，沈恒通，顾海燕，仇阿根，王益之，
申请(专利权)人：中国测绘科学研究院，
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。