[發明專利]多輸出土地覆蓋分類模型的訓練方法、分類方法及裝置

有效

• 申請號: 202010623009.3
• 申請日: 2020-07-01
• 公開（公告）號: CN111507321B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 陳偉濤;唐壯;李顯巨;王力哲;田甜;陳剛
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京隆源天恒知識產權代理事務所(普通合伙) 11473
• 代理人: 鞠永帥

本發明提供了一種多輸出土地覆蓋分類模型的訓練方法、分類方法及裝置，所述訓練方法包括：獲取訓練數據；將所述訓練數據輸入至基于深度置信網絡的初始模型中進行訓練，獲得多輸出土地覆蓋分類模型，其中，所述初始模型包含N級輸出，所述N級輸出包括設置于所述初始模型最后一個網絡層的輸出和設置于所述初始模型第一個網絡層至倒數第二個網絡層中任意N?1個網絡層的N?1級輸出，根據所述N級輸出的損失確定總損失，基于所述總損失進行反向傳播，以調整所述初始模型的參數，N為大于或等于2的整數。本發明可使模型反向傳播時不易發生梯度消失現象，有利于提高分類精度。

技術領域

本發明涉及遙感圖像分類技術領域，具體而言，涉及一種多輸出土地覆蓋分類模型的訓練方法、分類方法及裝置。

背景技術

近年來，高分辨率遙感影像獲取能力飛速提升，遙感分類應用也越來越廣泛。自2006年Hinton等人提出深度學習的概念以來，研究者提出了眾多的深度學習網絡。深度學習通過組合低層特征形成更加抽象的高層特征用來表示屬性類別或高層語義特征，在遙感分類領域已經取得了一定的進展。

在對土地覆蓋類型進行精細分類時，較淺的網絡難以區分出地物的低層次類別，如耕地中的旱地，水田等，可見較淺的網絡深度的分類精度難以達到要求，唯有加深網絡結構才可能滿足需求，然而，在網絡結構較深時，可能會發生梯度消失現象，導致網絡前面幾層的參數難以調整，制約了分類精度的提高。

發明內容

本發明解決的問題是現有網絡結構在對土地覆蓋類型進行精細分類時，存在梯度消失現象，導致網絡參數難以調整的問題。

為解決上述問題，本發明提供一種多輸出土地覆蓋分類模型的訓練方法，包括：獲取訓練數據；將所述訓練數據輸入至基于深度置信網絡的初始模型中進行訓練，獲得多輸出土地覆蓋分類模型，其中，所述初始模型包含N級輸出，所述N級輸出包括設置于所述初始模型最后一個網絡層的輸出和設置于所述初始模型第一個網絡層至倒數第二個網絡層中任意N-1個網絡層的N-1級輸出，根據所述N級輸出的損失確定總損失，基于所述總損失進行反向傳播，以調整所述初始模型的參數，N為大于或等于2的整數。

可選地，所述根據所述N級輸出的損失確定總損失包括：根據所述N級輸出的損失各自對應的權重系數，計算所述N級輸出的損失的加權和，作為所述總損失。

可選地，N=2，所述初始模型包含第一級輸出和第二級輸出，所述根據所述N級輸出的損失確定總損失包括：

基于所述第一級輸出與其相應標簽獲得第一損失，基于所述第二級輸出與其相應標簽獲得第二損失；

根據所述第一損失、所述第二損失以及所述第一損失、所述第二損失各自對應的權重系數，計算總損失。

可選地，所述初始模型為多個，所述將所述訓練數據輸入至基于深度置信網絡的初始模型中進行訓練，獲得多輸出土地覆蓋分類模型包括：

將所述訓練數據分別輸入至各所述初始模型中，以對各所述初始模型進行訓練，獲得各所述初始模型對應訓練好的分類模型，其中，各個所述初始模型的N-1級輸出所處的網絡層數互不相同；

從多個所述分類模型中選取分類結果最優的分類模型作為所述多輸出土地覆蓋分類模型。

可選地，所述初始模型為多個，且各個所述初始模型的N-1級輸出所處的網絡層數互不相同，所述將所述訓練數據輸入至基于深度置信網絡的初始模型中進行訓練，獲得多輸出土地覆蓋分類模型包括：

將所述訓練數據分別輸入至各所述初始模型中，以對各所述初始模型進行訓練，獲得各所述初始模型對應訓練好的分類模型，其中，各所述初始模型反向傳播時所基于的總損失為基于各所述初始模型的所述N級輸出的損失，以及各級輸出的損失對應的預設默認權重系數獲得的總損失，其中，各所述初始模型各級輸出的損失對應的預設默認權重系數相等；