一种基于迁移学习和标签噪声过滤的遥感数据分类方法技术

本发明专利技术公开了一种基于迁移学习和标签噪声过滤的遥感数据分类方法，包括步骤：通过动态自适应迁移过滤模块，引入特征权重动态调节，实时计算源域样本特征的适用性，并调整其在迁移过程中的影响力；通过可信性回归驱动对目标域样本标签进行优化；引入多尺度时空一致性学习框架，构建多模态特征融合网络，动态调整多模态特征的融合权重；通过交互式目标域样本标签修正，结合预测驱动反馈机制和人工标注协作，对目标域样本标签噪声进行修正；通过迁移感知的嵌套式噪声过滤网络，结合源域样本特征的迁移信息与目标域样本标签分布，逐层过滤噪声目标域样本标签并优化样本权重分布；本方案具有实现对大规模遥感数据的高效、准确分类的特点。

【技术实现步骤摘要】

本专利技术涉及遥感数据处理领域，特别涉及一种基于迁移学习和标签噪声过滤的遥感数据分类方法。

技术介绍

1、随着遥感技术的快速发展，各种类型的遥感影像，如：光学影像、sar影像、多光谱影像等，被广泛应用于国土资源管理、环境保护、农业监测和灾害预警等领域。遥感影像的分类作为遥感数据分析的核心任务之一，旨在根据遥感影像的光谱、空间及时间特性，将像素或对象划分为特定的地物类别，从而提取有价值的信息。

2、传统遥感影像分类方法主要依赖于基于特征的机器学习方法，如支持向量机（svm）、随机森林（rf）和k最近邻（knn）等。这些方法通常需要人工提取光谱特征、纹理特征或形状特征，依赖于丰富的标注数据进行监督训练。然而，随着遥感影像分辨率和复杂性的不断提高，遥感数据分类任务的难度也随之增加。一方面，高分辨率遥感影像包含更精细的地物信息，但地物类别之间的差异变得更加细微；另一方面，随着影像维度的增加，如多光谱甚至高光谱数据，数据的维度灾难问题更加突出，模型对样本量的需求也显著增加。此外，标注高质量的遥感数据成本高昂，特别是在需要高精度分类的细粒度场景中，人工标注本文档来自技高网...

【技术保护点】

1.一种基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，步骤S1包括：

3.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，步骤S2包括：

4.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，步骤S3包括：

5.根据权利要求4所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于：所述模态特征包括光谱特征、空间特征和时间特征。

6.根据权利要求1所述的基于...

【技术特征摘要】

1.一种基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，步骤s1包括：

3.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其特征在于，步骤s2包括：

4.根据权利要求1所述的基于迁移学习和标签噪声过滤的遥感数据分类方法，其...

【专利技术属性】
技术研发人员：叶嘉宾，李楠，孙祥，李晨阳，蒋梦，蔡晓燕，刘雪慧，黄雪芸，
申请(专利权)人：南京智能计算科技发展有限公司，
类型：发明
国别省市：