[發(fā)明專利]用于遙感影像的神經網絡模型預訓練方法、裝置

有效

• 申請?zhí)枺?/td>: 202011038698.8
• 申請日: 2020-09-28
• 公開（公告）號: CN111931738B
• 公開（公告）日: 2021-01-26
• 發(fā)明（設計）人: 袁媛;林蕾
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種用于遙感影像的神經網絡模型預訓練方法，其特征在于，包括：

將觀測地點的遙感影像按照時間排序得到包括原始值的時間序列；所述原始值包括觀測地點的原始光譜值和對應的時間信息；

對時間序列添加環(huán)境模擬噪聲，得到包括觀測值的觀測時間序列；

將觀測時間序列中的光譜值和對應的時間信息轉換為向量后進行組合，形成觀測編碼向量，將觀測編碼向量輸入至神經網絡模型，獲取觀測編碼向量對應的隱藏狀態(tài)向量；

將觀測值對應的隱藏狀態(tài)向量映射至原始光譜值的維度得到預測光譜值，基于預測光譜值與對應的原始光譜值之間的誤差，對神經網絡模型進行訓練；

訓練完畢后，將帶有標簽的遙感影像時間序列輸入神經網絡模型進行學習。

2.根據(jù)權利要求1所述的用于遙感影像的神經網絡模型預訓練方法，其特征在于，所述將觀測地點的遙感影像按照時間排序得到包括原始值的時間序列，包括：

對觀測地點的遙感影像進行逐像素提取得到原始光譜值，并結合對應的時間信息作為觀測地點的原始值，將原始值按照時間排序得到時間序列；

對原始值的原始光譜信息進行噪聲剔除處理和標準化。

3.根據(jù)權利要求2所述的用于遙感影像的神經網絡模型預訓練方法，其特征在于，所述對時間序列添加環(huán)境模擬噪聲，得到包括觀測值的觀測時間序列，包括：

挑選時間序列中預設部分的原始值作為觀測值，將所述預設部分的原始光譜值分別添加正噪聲和負噪聲后得到的光譜值，作為觀測值的觀測光譜值。

4.根據(jù)權利要求3所述的用于遙感影像的神經網絡模型預訓練方法，其特征在于，所述將觀測時間序列中的光譜值和對應的時間信息轉換為向量后進行組合，形成觀測編碼向量，包括：

將光譜值采用以下公式映射為K維向量：

Q_i=c_iW，

其中，c_i表示按照觀測時間序列排序的第i個光譜值，Q_i表示映射得到的第i個光譜值編碼向量，W表示可訓練的變換矩陣；

將時間信息采用以下公式編碼為P維向量：

，

其中，t_i表示按照觀測時間排序的第i個觀測值對應的時間信息，T_i 表示編碼得到的第i個時間信息編碼向量，T_i (p)表示T_i的第p維元素，k為自然數(shù)，k的數(shù)值由p的數(shù)值計算而來；

將光譜值編碼向量Q_i和時間信息編碼向量T_i按照以下任意一種公式進行組合得到觀測編碼向量：

Z_i=Q_i+T_i；Z_i= [Q_i,T_i ]，

其中，Z_i表示第i個觀測編碼向量。

5.根據(jù)權利要求4所述的用于遙感影像的神經網絡模型預訓練方法，其特征在于，所述將觀測編碼向量輸入至神經網絡模型，獲取觀測編碼向量對應的隱藏狀態(tài)向量，包括：

將得到的觀測編碼向量序列輸入至神經網絡模型，在所述神經網絡模型學習觀測編碼向量序列全部光譜值和時間信息后，得到觀測編碼向量對應的隱藏狀態(tài)向量；所述神經網絡模型為雙向循環(huán)神經網絡。

6.根據(jù)權利要求5所述的用于遙感影像的神經網絡模型預訓練方法，其特征在于，所述基于預測光譜值與對應的原始光譜值之間的誤差，對神經網絡模型進行訓練，包括：

采用以下公式計算預測光譜值與對應的原始光譜值之間的誤差，并作為損失函數(shù)用于訓練神經網絡模型：

，

其中，o_j表示添加環(huán)境模擬噪聲的觀測光譜值對應的第j個原始光譜值，表示第j個原始光譜值對應的預測光譜值，N表示添加環(huán)境模擬噪聲的原始光譜值的數(shù)量；

通過最小化損失函數(shù)MSE_Loss，更新神經網絡模型的模型參數(shù)，當滿足訓練停止條件時停止訓練。