[發明專利]基于多分類器對抗遷移學習的遙感場景分類方法

有效

• 申請號: 202010903347.2
• 申請日: 2020-09-01
• 公開（公告）號: CN112131967B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 王鑫;冒志鵬;寧晨
• 申請（專利權）人: 河海大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 湯金燕

1.一種基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，包括如下步驟：

S10，構建分別包括多個遙感場景圖像數據的源域和目標域；所述源域和目標域的圖像類別相同；

S30，將源域的圖像和目標域分別輸入預先構建的特征提取器中得到各個圖像的特征圖；

S40，構造一個基于softmax激活函數的全連接層作為標簽分類器，將各個圖像的特征圖輸入標簽分類器得到每個圖像的第一預測標簽概率分布，再次將各個圖像的特征圖輸入標簽分類器得到每個圖像的第二預測標簽概率分布；所述第一預測標簽概率分布與第二預測標簽概率分布不完全一致；

S50，對第一預測標簽概率分布與第二預測標簽概率分布做平均化處理，得到平均化預測標簽概率分布，構造域判別器，以對提取的特征所屬的域進行判別；

S60，將平均化預測標簽概率分布和各個圖像的特征圖組合成聯合概率分布，將聯合概率分布輸入到域判別器，得到每個圖像的域標簽概率分布，根據每個圖像的域標簽概率分布計算域判別器的損失函數，根據第一預測標簽概率分布和第二預測標簽概率分布分別計算兩個標簽分類器的聯合損失函數、兩個標簽分類器的不一致性損失函數；

S70，根據域判別器的損失函數、兩個標簽分類器的聯合損失函數、兩個標簽分類器的不一致性損失函數確定總損失函數，使用隨機梯度下降法優化總損失函數，以得到目標域最終的分類結果。

2.根據權利要求1所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，步驟S30之前，還包括：

S20，構建特征提取器，以對源域和目標域進行深度特征提取，獲得相應圖像的特征圖。

3.根據權利要求2所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，構建特征提取器包括：

選用在數據集ImageNet上預訓練好的深度卷積神經網絡模型，去掉模型最后的全連接層后，得到特征提取器G_f(·)。

4.根據權利要求1所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，對第一預測標簽概率分布與第二預測標簽概率分布做平均化處理包括：

式中，表示第一預測標簽概率分布，表示第二預測標簽概率分布，表示平均化預測標簽概率分布。

5.根據權利要求1所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，構造域判別器包括：

采用基于sigmoid激活函數的全連接層作為域判別器G_d，其中全連接層的輸出節點數量為2。

6.根據權利要求5所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，所述sigmoid激活函數為：

其中，S_i為輸入樣本屬于域i的概率，o_i表示全連接層第i個節點的輸出值。

7.根據權利要求1所述的基于多分類器對抗遷移學習的遙感場景分類方法，其特征在于，根據域判別器的損失函數、兩個標簽分類器的聯合損失函數、兩個標簽分類器的不一致性損失函數確定總損失函數包括：

L(θ_f,θ_y,θ_d)＝L_Y(θ_f,θ_y)+αL_t(θ_f,θ_y)-λL_D(θ_f,θ_d)，

其中，θ_f是特征提取器的參數，θ_y是標簽分類器的參數，θ_d是域判別器的參數， α和λ是權重系數，L(θ_f,θ_y,θ_d)為總損失函數，L_Y(θ_f,θ_y)為標簽分類器的聯合損失函數，L_t(θ_f,θ_y)為標簽分類器的不一致性損失函數，L_D(θ_f,θ_d)為域判別器的損失函數。