CN114821324B 一种基于选择性学习与回放的遥感图像农作物识别方法 （江西省农业科学院土壤肥料与资源环境研究所）

一种基于选择性学习与回放的遥感图像农选择性学习从新数据中选择到更具有学习价值t就具备了成对的图像与标注文件；回放使既能让模型快速迭代更新，又能缓解灾难性遗2所述选择性学习从新数据中选择到更具有学习价值的数据作为这一阶段的训练集Dt，取，由分类器gt(·)输出分类结果；将阶段t中模型对于测试集的图像的分割结果记为将完成学习后的模型的所有参数集合记为θt；所述回放对旧数据进行推理和评估，计算出单张图片的分割精度IoU，其中，所述更具有学习价值的数据使用样本的不确定性度2.根据权利要求1所述的基于选择性学习与回放的遥感图像农作物识别方法，其特征通过one-hot编码取推理置信度最大的类别作为像素类别，得到伪标签：3出此图像的IoU；计算此图像中每一类别的IoU，再求出所有类别的IoU的均值作为图像的3.根据权利要求2所述的基于选择性学习与回放的遥感图像农作物识别方法，其特征4.根据权利要求3所述的基于选择性学习与回放的遥感图像农作物识别方法，其特征5.根据权利要求1所述的基于选择性学习与回放的遥感图像农作物识别方法，其特征4[0004]模型更新是指旧模型学习新数据构建新模型的过程。由于海量遥感数据迅速累过缩小新模型与旧模型在旧数据的输出结果的差异达到克服遗的方法通过查询机制从新增未标注数据中筛选更具不确定性的数据进行标注后用于模型5型的应用，通过大型结构化输出空间(如语义分割)进行概率分布编码。使用基于MCdropout的网络不确定性进行区域选择减用于语义分割任务上比较关注类别增量的场景，如关注到类别增时的背景类语义转移(backgroundshiftproblem)从而设计了一种损失函数包括对于旧类别的蒸馏损失和交[0010]所述选择性学习从新数据中选择到更具有学习价值的数据作为这一阶段的训练6[0013]表示t阶段模型对于无标签数据的推理结果，t-1阶段的旧模型对新数据Dt的推理结果表示为旧模型对某张新图像的推理伪标签则通过one-hot编码取推理置信度最大的类别作为像素类别，得到伪标7达到联合训练精度的80联合训练被认为是增量学习的精度上限，同时训练速度在同等[0037]语义分割域增量模型能在t＝1…T个阶段中持续学习，并且每一个阶段末更新一过我们的选择性学习方法从新数据中选择到更具有学习价值的数据作为这一阶段的训练对于测试集的图像的分割结果记为将完成学习后的模型的所有参数集合记为θt。不同的样本表现结果不同。一方面在新数据中可能存在部分样本与旧样本的相似性比较8[0039]在语义分割网络的最后的激活函数层即softmax层输出了模型对于图像中每个像[0041]由于每一个像素的伪标签都有其置信度，因此据此计算出每个像素的不确定通过one-hot编码取推理置信度最大的类别作为像素类别，得到伪标9[0052]为了更好地模拟所有旧数据的难易特征分布，我们根据IoU值对所有的图像进行[0054]ISPRSPotsdam数据集包含了38幅尺寸为6000×6000的高分辨率遥感影像，其空[0067]在相同的基础模型上固定回放比例为25采用不同的样本采样方式从旧样本中[0074]使用数据A训练得到基础模型后，使用基于不确定性的困难样本采样的方式进行达到联合训练精度的80联合训练被认为是增量学习的精度上限，同时训练速度在同等行的各种功能，用于描述这样的组件的术语旨在对应于执