[發明專利]一種基于深度特征的高空間分辨率遙感圖像遷移學習方法

有效

• 申請號: 201710387269.3
• 申請日: 2017-05-27
• 公開（公告）號: CN107239759B
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 霍連志;趙理君;張偉;鄭柯;唐娉
• 申請（專利權）人: 中國科學院遙感與數字地球研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

本發明提供一種基于深度特征的高空間分辨率遙感圖像遷移學習方法。該方法可以利用已有的遙感圖像以及樣本信息對新獲取的遙感圖像直接進行分類，從而為遙感快速監測提供支持。該方法包括以下步驟：對源域圖像以及目標域圖像，使用主成分變換，分別提取其前三個主成分分量；對生成的三個波段的新圖像，提取每個像素為中心的圖像塊輸入到已經訓練好的多層卷積神經網絡；輸出卷積神經網絡的最后一個全連接層，得到該像素的深度特征表示；對源域圖像以及源域的訓練樣本，基于提取的深度特征使用支持向量機分類器訓練得到一個分類器；對目標域圖像，使用得到的支持向量分類器直接進行分類，完成從源域圖像以及類別對應關系到目標域的遷移學習。

技術領域

本發明涉及遙感圖像處理技術，具體的說，涉及一種基于深度特征的高空間分辨率遙感圖像遷移學習方法，該方法可以基于已有高空間分辨率遙感圖像以及樣本數據，對新獲取的遙感圖像在沒有樣本的情況下進行自動分類，從而快速處理遙感圖像，為遙感監測提供支持。

背景技術

遙感技術目前被廣泛應用于地學應用中，如森林資源規劃、農作物估產、環境評估、災害監測等。遙感圖像分類技術是把遙感圖像從數據轉換為信息的關鍵步驟。從是否需要訓練樣本來分，遙感圖像分類方法分為監督分類和非監督分類。在遙感圖像分類中最常用的是監督分類方法。監督分類方法，需要人工地確定分類體系、各個類別的訓練樣本等。監督分類分類方法能夠保證獲得比較好的分類精度，但是獲取訓練樣本是一個耗時耗力的過程。在常規模式下，遙感衛星對某一特定地區會按照一定的重返周期進行成像，形成一系列時間序列的遙感圖像。如果對每新獲取的一個時相遙感圖像都進行樣本的采集，人工操作將是極其繁重的。尤其是對于遙感災害應急等應用，需要在獲取遙感圖像的情況下快速地獲得其專題分類及變化信息。因而，研究如何利用過去獲得的遙感圖像以及訓練樣本信息，對新獲取的遙感圖像進行自動分類 (指不需要進行樣本的重新采集)具有一定的實用價值。

機器學習領域的遷移學習試圖滿足上述的應用需求。遷移學習利用某一個分類任務(包括原始數據以及各類別的樣本數據，通常稱為源域)學習得到的規則、規律對一個新的、并具有一定相關性的分類任務 (只包括原始數據，沒有或者很少的樣本數據，還不足以訓練出一個有效的分類器，通常稱為目標域)進行分類。目前遷移學習算法主要包含兩大類方法：基于實例的方法以及基于特征提取的方法。在前一種方法中，其基本思想是，盡管源域的訓練數據和目標域的數據多少有些不同，但是由于兩個域的數據是有一定相關性的，因而源域的訓練數據應該還是會存在一部分數據(比如其中一個數據子集)適合用來對目標域數據訓練出一個有效的分類模型；因而該類算法的目標就是從源域中找出那些適合目標域數據的實例，并將這些實例用于輔助目標域進行分類，典型的算法如TrAdaBoost。在第二種方法中，其主要思路是通過特征降維，把源域數據和目標域數據，分降到具有最大相似性的子空間上：在共同的子空間上，源域的訓練樣本即可直接用于目標域進行分類器的訓練，典型算法有TPLSA算法、CoCC算法等。這兩類算法盡管在應用中取得了一定的效果，但其離實際應用仍有一定的距離。