[發明專利]一種基于自動機器學習的遙感影像場景分類方法

有效

• 申請號: 202011094951.1
• 申請日: 2020-10-14
• 公開（公告）號: CN112163549B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 李海峰;黃浩哲;彭劍;陳力;崔振琦
• 申請（專利權）人: 中南大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

本發明公開了一種基于自動機器學習的遙感影像場景分類方法，包括以下步驟：在原始遙感影像數據集D₀上進行N1個時期的神經網絡結構搜索，以獲取結構最優的深度神經網絡A_N1；使用所述的最優的深度神經網絡模型A_N1作為自動遙感影像數據增強過程中的基礎網絡，進行N2個時期的自動遙感影像數據增強以獲得增強后的遙感影像數據集D_N2；利用所述的遙感影像數據集訓練所述的最優的深度神經網絡，訓練過程由自動超參數優化控制；利用訓練完成的深度神經網絡模型進行遙感影像場景分類。本發明依據遙感影像的特點在遙感影像場景分類任務中引入自動機器學習的一系列流程，提高了遙感影像場景分類任務的精度，并大大減少了對人力與時間的消耗。

技術領域

本發明涉及遙感圖像處理與識別技術領域，尤其涉及一種基于自動機器學習的遙感影像場景分類方法。

背景技術

隨著越來越多的遙感衛星被發射升空，遙感影像的獲取變得越來越簡單，因此對更快速更智能的遙感影像理解的需求也日益增加。隨著遙感影像分辨率的提高，遙感影像中地物的細節越來越豐富，也產生了眾多新的應用。其中，遙感影像場景分類是將每張遙感影像指定一個標簽，這一標簽表明了該影像中包含的地物所構成的場景，如商業區、學?；蛘吖珗@。以往針對不同地物的特點手工設計特征來進行遙感影像理解的方法因為費時費力且準確性不高，已經逐漸被基于機器(深度)學習的方法所代替。

目前，遙感領域基于深度學習的場景分類方法往往通過構建一個深度神經網絡自動從數據中學習到需要的特征，克服了手工設計特征的局限性，從而獲得更好的性能。這些機器(深度)學習的方法主要依賴于利用機器學習專家設計的深度神經網絡來處理場景分類問題。但模型結構的設計往往需要經驗豐富的機器學習與遙感專家的參與，并且具有勞動密集的特點，需要花費大量的時間與人力。尤其是針對不同的數據集設計不同的深度神經網絡的結構，受限于操作者自身的專家經驗，其解決方案并不一定能擁有最佳的性能。

因此，面對日益增長的遙感影像智能理解的需求，亟需一種能夠自適應的設計深度神經網絡結構來處理遙感影像場景分類問題的智能算法。其一，可以將深度學習的建模過程自動化，從而大量節省人力與時間；其二，對于不同的數據將提供基于數據的最適宜的解決方案，能夠進一步提升模型處理遙感影像場景分類任務的能力。

發明內容

有鑒于此，本發明的目的在于提供一種基于自動機器學習的遙感影像場景分類方法，所述方法依據遙感影像數據自動構建用于處理遙感影像場景分類任務的機器學習模型的完整流程，通過上述流程，不僅能獲得更高性能的機器學習模型，同時其高度自動化的過程能夠有效節省機器學習模型結構設計過程中的人力與時間。

本發明的目的是這樣實現的，一種基于自動機器學習的遙感影像場景分類方法，包括以下步驟：

步驟1，在原始遙感影像數據集D₀上進行N1個時期(epoch)的神經網絡結構搜索，N1為設定閾值，以獲取在所述的原始遙感影像數據集上結構最優的深度神經網絡A_N1；

步驟2，使用所述的最優的深度神經網絡模型A_N1作為自動遙感影像數據增強過程中的基礎網絡，從原始遙感影像數據集D₀開始進行N2個時期(epoch)的自動遙感影像數據增強，N2為設定閾值，以獲得增強后的遙感影像數據集D_N2；

步驟3，利用所述的遙感影像數據集D_N2訓練所述的最優的深度神經網絡A_N1，訓練過程由自動超參數優化控制；

步驟4，利用訓練完成的深度神經網絡模型進行遙感影像場景分類。