CN114399686B 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 （中国科学院计算机网络信息中心）_第1页
CN114399686B 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 （中国科学院计算机网络信息中心）_第2页
CN114399686B 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 （中国科学院计算机网络信息中心）_第3页
CN114399686B 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 （中国科学院计算机网络信息中心）_第4页
CN114399686B 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 （中国科学院计算机网络信息中心）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号一种基于弱监督学习的遥感图像地物识别本发明涉及一种基于弱监督学习的遥感图2步骤1）所述部分标注的多源遥感图像是多张输入图像每个像素值代表该像素所对应地理区域范围的类别标签；将输入图像A及其对应的标注图31-,i7.一种采用权利要求1~6中任一权利要求所述方法的基于弱监督学习的遥感图像地物地物类型识别单元，用于向训练完成的学生模型输入预测数据集，述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1~6中45[0017]进一步地，步骤1所述雷达遥感数据包括合成孔径雷达(SAR)等获取的地面图素值代表该像素所对应地理区域范围属于各个类别表示为：jir=t(xi),is=s(xi),其中，函[0026](3)重复上述步骤(1)到步骤(2)，每次从标注训练集中不重复地随机读取m组图6[0031]进一步地，步骤5所述伪标签是训练完成的教师模型对于未标注样本数据集I2中每张输入图像B的预测结果B,。预测结果B,可以是输入图像B中每个像素所属的类别标签，[0037](4)重复上述步骤(2)到步骤(3)，每次从学生训练集中不重复地随机读取m组图7[0043]进一步地，步骤9所述地物识别与分类的结果是与预测数据集中每张图像一一对素值代表该像素所对应地理区域范围的类别标签的[0055]本实施例的一种基于弱监督学习的遥感图像地物识别与分类方法的流程框架如8教师模型的编码器使用ResNet-RS-101残差网络结构，学生模型的编码器使用ResNet-RS-152残差网络结构。9[0084]基于同一发明构思，本发明的另一实施例提供一种计算机可读存储介质(如ROM/[0090]5、步骤五还可以使用教师模型对未标注输入图像中每个像素所属土地类型的置[0092]7、步骤七和步骤八还可以使用敏感度、特异度、准

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论