基于伪标签和类别词典学习的遥感图像地表覆盖分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965867A(43)申请公布日2023.04.14(21)申请号202211727361.7(22)申请日2022.12.30(71)申请人中国电子科技集团公司第十四研究所地址210039江苏省南京市雨花台区国睿路8号(72)发明人朱睿希庄龙(74)专利代理机构南京知识律师事务所32207专利代理师刘丰高娇阳(51)Int.Cl.G06V20/10(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)G06V10/772(2022.01)权利要求书2页说明书5页附图3页(54)发明名称基于伪标签和类别词典学习的遥感图像地表覆盖分类方法(57)摘要本发明涉及一种基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，包括：利用预训练卷积神经网络为源域和目标域影像提取深层特征，筛选目标域可靠伪标签数据；源域标签数据和目标域可靠伪标签数据组成联合训练样本，结合类别词典学习方法得到源域类别词典；结合目标域可靠伪标签数据，得到过渡类别词典和最终的目标域类别词典；结合源域类别词典、过渡类别词典和目标域类别词典，得到源域和目标域的域不变特征表达；利用联合训练样本的域不变特征表达训练SVM分类器，预测目标域影像的地表覆盖类别。本发明的方法在训练样本缺失的情况下有效提高遥感影像地表覆盖分类精度和可靠性。CN115965867ACN115965867A权利要求书1/2页1.基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，其特征在于：包括如下步骤：步骤(10)，假设源域为已有样本数据，目标域为待分类遥感影像，利用预训练卷积神经网络为源域和目标域影像提取深层特征，通过计算目标域与源域影像在特征空间的距离筛选目标域可靠伪标签数据；步骤(20)，源域标签数据和目标域可靠伪标签数据组成联合训练样本，利用联合训练样本结合类别词典学习方法得到源域类别词典；步骤(30)，结合目标域可靠伪标签数据，通过减少目标域的重建误差和避免迭代过程中词典的突然变化，得到过渡类别词典和最终的目标域类别词典；步骤(40)，结合源域类别词典、过渡类别词典和目标域类别词典，得到源域和目标域的域不变特征表达；步骤(50)，利用联合训练样本的域不变特征表达训练SVM分类器，利用训练好的SVM分类模型预测目标域影像的地表覆盖类别。2.根据权利要求1所述的基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，其特征在于，步骤(10)所述的可靠伪标签获取具体步骤如下：(10a)针对待分类遥感影像中存在的地表覆盖类别，收集已有样本数据；(10b)假设源域为已有样本数据，目标域为待分类遥感影像；利用预训练网络为源域和目标域影像提取深层特征；(10c)按照下式，计算源域每个类别在特征空间的中心：其中表示源域第i个影像对应的深层特征，类别k对应的源域样本数量，和分别表示源域第i个影像及其对应的地表覆盖类别；(10d)按照下式，计算目标域第t个特征与源域第k个类别中心在特征空间的欧式距离：(10e)按照下式，把欧式距离转换为目标域第t个特征属于第k个类别的概率：其中C为地表覆盖类别数量；(10f)按照下式，计算目标域第t个特征的伪标签(10g)设定阈值，分类概率高于一定阈值的目标域影像选作目标域可靠伪标签。3.根据权利要求2所述的所述的基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，其特征在于，步骤(20)所述的源域类别词典计算方式如下：(20a)把源域所有的样本数据和筛选后的目标域可靠伪标签数据联合，得到联合训练样本集；(20b)基于联合训练样本集，按照下式学习源域每个类别的词典：2CN115965867A权利要求书2/2页其中，Yi表示第i个类别的所有特征，Di表示需要学习的第i个类别的词典，Xi,i表示从Di中得到的特征表达，α为平衡特征辨识能力和重建能力的参数，Xj,i表示从Dj中得到的特征表达，T0表示特征表达中非零数量的上限；(20c)把每个类别的词典串联得到最终的源域类别词典Ds＝{D1,D2,...,DC}。4.根据权利要求3所述的基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，其特征在于，步骤(30)所述的过渡类别视觉词典学习方法步骤如下：(30a)根据源域类别词典，结合(10b)‑(10g)更新目标域可靠伪标签；(30b)按照下式，结合目标域可靠伪标签计算过渡类别视觉词典Yt表示目标域特征，表示Yt在上得到的特征表达，k表示迭代次数，表示第i个类别第k次迭代得到的词典；(30c)重复迭代，直到收敛，最终的过渡类别视觉词典即为目标域类别视觉词典。5.根据权利要求1所述的基于伪标签和类别词典学习的遥感图像地表覆盖分类方法，其特征在于，步骤(50)包括：(50a)结合源域样