[發明專利]聯合深度數據學習和本體知識推理的可解釋性遙感影像地物分類方法

有效

• 申請號: 202010169797.3
• 申請日: 2020-03-12
• 公開（公告）號: CN111428762B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 李彥勝;歐陽松;張永軍
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V20/10;G06V10/764;G06V10/82;G06F16/36;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種聯合深度數據學習和本體知識推理的可解釋性遙感影像地物分類方法。本發明中的本體推理與深度語義分割網絡進行耦合交互，深度語義分割方法提取低層次知識完成對高分辨率遙感影像的初始分類，給本體推理提供推理所需的屬性信息；本體推理可以像領域解譯專家一樣依據高層次的分類知識從基于深度語義分割網絡的遙感影像分類結果中查找錯誤并糾正，然后提取額外的類別信息作為深度語義分割網絡的額外通道信息。兩者地輸出互為對方的輸入，相互促進，能夠有效提高地物分類的精度和可解釋性。

技術領域

本發明屬于遙感解譯與人工智能的交叉領域，涉及一種聯合深度數據學習和本體知識推理的可解釋性遙感影像地物分類方法，具體包含一種數據驅動的深度學習和知識引導的本體推理協同進化的新一代可解釋性遙感影像分類方法。

背景技術

隨著遙感對地觀測技術的不斷進步，遙感影像的空間分辨率不斷提高。光學高分辨率遙感影像因其豐富的紋理和空間結構信息以及獲取方式的愈加便捷，逐漸成為了遙感地物信息解譯的重要數據支撐。作為遙感信息解譯的基礎性工作，高分辨率遙感影像地物分類受到科研技術人員的廣泛關注，在交通運輸、農林保護、環境評估、災害救援和國防軍事等領域都具有重要應用價值。盡管高分辨率遙感影像有助于顯示更多地物細節，但高分辨率遙感影像數據的“同譜異物、同物異譜”現象顯著，給遙感影像分類帶來了巨大的挑戰。

高分辨率遙感影像地物分類方法可以大致分為兩大類：傳統的基于人工設計特征和淺層分類器的方法；基于特征與分類一體化的深度語義分割網絡方法。傳統分類方法一般先根據專家設定的特征描述子提取遙感影像的光譜、紋理和結構特征，然后進行特征分類(特征分類方法包括最大似然法、決策樹和支持向量機等基于淺層特征判別的有監督分類方法)；基于特征與分類一體化的深度語義分割網絡方法包括全卷積網絡(FCN)、分割網絡(SegNet)、U型網絡(U-Net)、深度分割網絡(DeepLab)和掩模區域卷積網絡(Mask R-CNN)等方法。傳統方法一般需要人工設計特征描述算子，很難跨越底層圖像數據與高層邏輯信息的語義鴻溝，分類精度往往較差；基于深度語義分割網絡的方法能夠通過端到端地學習機制從數據中自動學習特征提取與特征分類模型，從而自適應地提取遙感影像的特征并進行分類。在具有充足有標記訓練樣本保障的前提下，深度語義分割網絡往往可以取得比較好的分類精度。然而，深度語義分割網絡是數據驅動的方法，高度依賴數據學習，缺乏像人一樣的認知能力，無法充分利用地物之間豐富的邏輯信息(如空間關系)進行自我糾錯，其結果的可解釋性較差(深度網絡的黑盒特性仍然十分顯著)及可信度有待提高(微弱噪聲的干擾常引起深度網絡產生莫名其妙的預測錯誤)。

發明內容

本發明主要是解決現有技術在高分辨率遙感影像地物分類過程中所存在的分類結果精度低和可解釋性差等問題，提供了一種聯合深度數據學習和本體知識推理的方法及系統，可以有效地提高高分辨率遙感影像地物分類的精度和可解釋性。

遙感專家之所以能從復雜的遙感影像中快速準確地對地物進行分類，是因為遙感專家具有必要的地學先驗知識以及通過知識推理獲得新知識的能力。由于地學先驗知識都是基本常識并且推理結果都是可以預見的，將遙感專家的地學先驗知識通過形式化語言進行表示并形成推理能力可以建立知識驅動的可解釋性遙感影像目標識別方法。然而，并不是所有地學先驗知識都可以被輕易地形式化建模，這極大限制了基于知識驅動的方法的實際性能。相比之下，知識驅動的遙感影像解譯方法的解釋性強，但迫于完備知識建模的技術挑戰，該類方法的精度比較有限。本體(Ontology)作為相關領域中概念及其相互關系的形式化表達，具有很強的知識表示能力、基于認知語義學的推理能力和共享知識的能力。基于本體的語義推理可以很好地利用專家知識及地物的空間關系等信息識別錯誤的地物分類并直接改正分類結果，同時也可以從遙感影像數據中自動推理出額外信息(如陰影和高程等信息)以解決僅僅依靠遙感圖像的光譜、紋理和幾何特征所難以克服的分類問題。