(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
专利 一种小样本高分辨率遥感影像场景分类方法
安全报告 >
其他 >
文档预览
中文文档
25 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共25页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:34:37上传分享