CN115661504B 基于迁移学习和视觉词包的遥感样本分类方法 （北京数慧时空信息技术有限公司）

基于迁移学习和视觉词包的遥感样本分类本发明提供一种基于迁移学习和视觉词包迁移学习算法；将样本集和源域集输入组合模场景类别进行编号；对样本集进行二次特征提2S3将所述样本集和所述源域集输入所述组合S4对所述样本集进行二次特征提取，得到特S5对所述样本集中的每个样本图像与所述视觉词典S6将所述视觉词包特征的低维度统计表示和标签编将新样本的视觉词包特征的低维度统计表示输入所述场景分类对所述样本集中的每个样本进行密集格网采样，利用SIFT方法对每计算每个采样区的SIFT特征与所述视觉词典中的每个视觉单词对应的特征值之间的找出欧氏距离最小的视觉单词的编号，并将其作为相应的采样区的视觉单词映射结6.根据权利要求1至5中任一项所述的基于迁移学习和视觉词包的遥感样本分类方法，分别将所述样本集中的样本图像和所述源域集中的样本3深度学习网络包括第五层的池化层以及第六层和第七将三种高层特征通过串联的形式进行特征融合，得到融合后的深7.根据权利要求1至5中任一项所述的基于迁移学习和视觉词包的遥感样本分类方法，将所述目标函数形式化为关于y和xt相关的期望损失，所述期望损失包括θY和相关Y和on是关于标签空间Y和所述样本集Dt的模型参数；将所述损失函数公式化为两个模型θY和之间的距离函数；在所述估算的目标函数满足预设条件时，将所述估算的目标函数调整为标签空间Y的根据所述目标函数以及差异函数得到所述样获取在特征空间Xt中分布的先验概率以及在特征空间Xt中确定在特征空间Xt中分布的先验概率以及在特征空间Xt中分布的先验概率之间估计源域集特征空间Xs翻译至样本集特征空间Xt的概率、任意标签y9在源域集特征空根据所述源域集特征空间Xs翻译至样本集特征空间Xt的概率、任意标签y9在源域集特征空间Xs中分布的概率、为标签y9的概率以及标签y9在样本集特征空间Xt中分布的概10.根据权利要求8所述的基于迁移学习和视觉词包的遥感样本分类方法，其特征在估计任意样本集x9t翻译至Xt的概率以4[0001]本发明涉及一种遥感样本分类方法，尤其涉及一种基于迁移学习和视觉词包的种情况下，利用人工目视解译的方法进行遥感图像土地利用场景的分类需要大量时间和采用基于低层特征描述的土地利用场景分类方法由于缺乏中间语义的图像表示，所以泛尤其是近年来的视觉词包(bag_of_visual_words,B地利用场景分类中取得了一定成果。视觉词包模型的优点在于无需分析场景图像中的具[0004]基于视觉词袋模型的图像分类系统主要由四个部分组成，分别为：图像特征提图像分类研究的重点。根据视觉词典的生成过程中是否利用训练集中已知类别标注等信于引入了额外信息对视觉词典的生成过程进行监督，有监督方法生成的视觉词典的性能[0005]基于上述技术问题，本发明提出一种基于迁移学习和视觉词包的遥感样本分类觉词包模型对包含标签语义信息的样本集进行场景分类，得到的场景分类模型准确率更5[0009]S3将所述样本集和所述源域集输入所述组合模型，通过所述深度学习网络提取[0011]S5对所述样本集中的每个样本图像与所述视觉词典中的视觉单词进行映射，生[0012]S6将所述视觉词包特征的低维度统计表示和标签编号作为训练数据，交叉训练[0015]将新样本的视觉词包特征的低维度统计表示输入所述场景分类模型，得到新样本的场景类别。[0018]对所述样本集中的每个样本进行密集格网采样，利用SIFT方法对每个采样区进[0021]计算每个采样区的SIFT特征与所述视觉词典中的每个视觉单词对应的特征值之[0022]找出欧氏距离最小的视觉单词的编号，并将其作为相应的采样区的视觉单词映[0023]将所述视觉词包分布图作为图像进行LBP变换，得到视觉词包特征的LBP直方图[0025]分别将所述样本集中的样本图像和所述源域集中的样本图像输入深度学习网6[0032]将所述损失函数公式化为两个模型θY和之间的距离函数；[0034]利用最大后验概率再近似积分对所述包含距离函数的目标函数进行估算，得到[0035]在所述估算的目标函数满足预设条件时，将所述估算的目标函数调整为标签空间Y的参数分布以及样本集xt的参数分布[0037]于本发明一具体实施例中，所述利用所述迁移学习算法对所述源域集基于局部[0038]获取在特征空间Xt中分布的先验概率以及在特征空间Xt中分布的先验概[0039]确定在特征空间Xt中分布的先验概率以及在特征空间Xt中分布的先验概率征空间Xs中分布的概率、为标签y9的概率以及标签y9在样本集特征空间Xt中分布的概集特征空间Xs中分布的概率、为标签y9的概率以及标签y9在样本集特征空间Xt中分布[0046]根据所述任意样本集x9t翻译至Xt的概率以及估计x9t的概率，得到在特征7[0048]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中[0054]S3将所述样本集和所述源域集输入所述组合模型，通过所述深度学习网络提取[0056]S5对所述样本集中的每个样本图像与所述视觉词典中的视觉单词进行映射，生[0057]S6将所述视觉词包特征的低维度统计表示和标签编号作为训练数据，交叉训练像库中筛选源域集，前期影像库里面包含大量的带有标签信息的遥感图像，筛选的策略为：采用人工选取前期影像库中地表覆盖类型与样本集的相似度达到70％以上的遥感图[0059]构建组合模型，包括深度学习网络和迁移学习算法，其中深度学习网络为8[0060]本实施例为七层深度学习网络，且已训练好，前五层分别为layer1，layer2，池化层用于对卷积层得到的特征图进行压缩，全连接层用于将二维特征图转化为一维向[0062]将样本集中的样本图像输入深度学习网络，提取第六和第七两个全连接层的输[0063]本实施例的迁移学习算法为基于特征的迁移学习算法。迁移学习中的两个重要其中源域集中的样本含有丰富的先验知识，即源域集包含标签的标注样本时，样本集可分为两个集合，分别为标注集合和未标注集合U。其中，ex且"ey,通常m非常小；U中包含k个样本9入式(2)得到：R(y,x)A(6,bx)(8)参数分布以及样本集xt的参数分布。将两个模型的参数分布统一在样本集的特征空间Xt[0081]其中表示在特征空间Xt中分布的先验概率，tpy'F,)=0,λ是一[0088]根据翻译学习算法得到样本集的标签：基于式(10)估计一个模型6,:对于任意的xt∈U，基于式(11)估计一个模型根据式(1)和式(8)，对于任意的xt，预测其标签ht(".…")-x-ytx)其中，y(xt)表示样本xt最终的标签，也就是样本xt的局部[0090]对样本集中的每个样本进行密集格网采样，利用SIFT对每个采样区进行再次特E2LSH基本原理是利用位置敏感哈希函数把高维向量距离保持地[0096]本实施例采用基于E2LSH算法和聚类集成算法的聚类方法对SIFT特征集进行聚一个单一的聚类算法能够发现不同形状和不同分布的类，而不同数据集的内部结构是不[0110]本发明实施例所采用的聚类方法结合了E2LSH算法与集成聚类的特点，能够高效[0111]在构建得到视觉词典后，计算每个采样区的SIFT特征与视觉词典中的每个视觉