(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210462851.2 (22)申请日 2022.04.28 (71)申请人 南京师范大学 地址 210046 江苏省南京市 鼓楼区宁海路 122号 (72)发明人 宁晨　王鑫　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 罗运红 (51)Int.Cl. G06V 10/764(2022.01) G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/54(2022.01) G06V 10/50(2022.01)G06V 10/82(2022.01) G06V 10/77(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种小样本高分辨率遥感影像场景分类方 法 (57)摘要 本发明公开了一种小样本高分辨率遥感影 像场景分类方法。 提出的方法主要包含3个部分： 首先是源域和目标域训练样本集的准备， 分别从 不同的遥感场景数据集中选取适量的图像分别 构建样本数较多的源训练样本集和样本数较少 的目标域训练样本集， 模拟小样本分类的情形； 其次， 选择AlexNet为DCNN主网络， 结合FPN网络 层融合策略对样本图像进行深度卷积特征的提 取； 最后利用改进的基于单一样 本加权的分布适 配算法WS‑BDA， 实现从源 域到目标域的特征分布 迁移， 并利用迁移后的特征数据训练目标分类 器， 完成遥感场景图像的分类 。 权利要求书4页 说明书11页 附图9页 CN 114782750 A 2022.07.22 CN 114782750 A 1.一种小样本高分辨 率遥感影 像场景分类方法， 其特 征在于， 该 方法包括如下步骤： (1)首先是源域和目标域训练样本集的准备， 分别从不同的遥感场景数据集中选取适 量的图像分别构建源训练样本集和目标域训练样本集， 模拟小样本分类的情形； (2)选择AlexNet为DCNN主网络， 结合FPN网络层融合策略对样本图像进行深度卷积特 征的提取； (3)提出一种基于单一样本加权的分布适配算法WS ‑BDA， 实现从源领域到目标域的特 征分布迁移， 并利用迁移后的特 征数据训练目标分类 器， 完成遥感场景图像的分类。 2.根据权利要求1所述的一种 小样本高分辨率遥感影像场景分类方法， 其特征在于， 步 骤(2)中， 选择AlexNet为DCNN主网络， 结合FPN网络层融合策略对样 本图像进行深度卷积特 征的提取， 具体方法如下： 首先， 将图像输入至AlexNet中， 自底向上地得到3张不同尺度的卷积特征图{C1,C2, C3}； 从最高层的特征图P3＝C3开始， 对P3进行上采样， 同时采用1 ×1的卷积核对C2进行降 维处理， 通过横向连接将上述P 3上采样后和C2降维后的两个结果相加 后进行3×3卷积操作 得到下一层的P2； 随后， 对P2进行上采样， 同时采用1 ×1的卷积核对C1进行降维处理， 通过 横向连接将P2上采样后和C1降维后的两个结果相加后进行3 ×3卷积操作得到下一层的P1； 最后， 将P1直接输入AlexNet的全连接层， 根据网络层的参数设置， 选取Alene的fc7层的输 出作为图像的深度特 征表示； 由于AlexNet的fc7层输出特征的维数高达4096维， 对fc7层输出特征进行PCA 白化降 维， 设fc7层输出特征矩阵为 其中， n表示fc7层特征矩阵包含特征向量的个数， d 表示每个特征向量的维数， 实现PCA白化的过程如下： 第一， 对特 征数据集去中心化： 其中， mean( ·)为均值函数； 第二， 计算F的协方差矩阵： 对∑进行奇异值 分解， 获得特征值 λi及对应的特 征向量vi， 选取特征值最大的前k个特 征向量组成白化 转换矩阵W； 第三， 使用W对特 征数据进行转换： F_pw ＝WT*F， 降低数据之间的关联； 第四， 使用比例调整 算子1/( λi+ζ )， 其中， ζ 是为了保证分母 不为0而设置的参数， 设置为 10‑5， 对降维数据F_pw进行方差归一化， 即使得归一化后的数据方差为1， 归一化后的F_pw 特 征集表示 为fea。 3.根据权利要求1或2所述的一种小样本高分辨率遥感影像场景分类方法， 其特征在 于， 步骤(3)中， 提出一种基于单一样本加 权的分布适配算法WS ‑BDA， 实现从源域到目标域 的特征分布迁移， 并利用迁移后的特征数据训练目标分类器， 完成遥感场景图像的分类， 具 体方法如下： 设源域样本特征数据 相应的标签集为 目标域 样本数据 以 及对应的 标签集 其中 ， m＜＜n ， C为样本标签的类别数， X＝[ Xs； Xt]为样本总集， Xs与Xt 来自不同的数据集， 二者的边缘概率分布Ps(xs)≠Pt(xt)， 条件概率分布Ps(ys|xs)≠Pt(yt|权　利　要　求　书 1/4 页 2 CN 114782750 A 2xt)； 采用均衡分布适配算法估算源域Ds和目标域Dt领域间分布 距离如下： Distance(Ds,Dt)＝(1‑μ )Distance(P(xs),P(xt))+ μDistance(P(ys|xs),P(yt|xt)) (1) 其中， μ∈[0,1]表示两种数据分布之间 的平衡因子， 当 μ →1时， 表明条件分布适配影响 大于预设条件； 当 μ →0时， 表明边缘分布 适配符合预设条件， P(xs)与P(ys|xs)分别表示源域 样本空间的边缘概率分布与条件概率分布， P(xt)与P(yt|xt)分别表示目标域样 本空间的边 缘概率分布与条件概率分布， BDA 算法利用最大均值差异 量化数据域间的分布距离， 具体表 示如式(2)： 其中， H表示可再生希尔伯特空间， C表示类别总数， u,v分别为源域及目标域中的样本 数， 分别表示源域及目标域中类别为c的样本子集， uc,vc为对应的样本数， 将式(2) 转化为式(3)所示的优化问题： 其中， X为样本总集， A为寻找的特征转换矩阵， λ为正则化因子， I表示单位 矩阵， E表示全1矩阵， tr( ·)表示矩阵求迹， || ·||F表示F范数， M0与Mc分别为MMD矩阵， 其定 义为： 使用拉格朗日乘数法将A的求取转 化为如下的特 征值分解问题： 其中， Φ表示拉格朗日乘子； 针对上述BDA算法， 通过余弦相似性度量方法对其进行改进， 先计算单一样本与样本空 间全局均值点之 间的相似度， 再以此计算样本空间内部的分布权重； 具体来说， 对于预 处理权　利　要　求　书 2/4 页 3 CN 114782750 A 3