[發明專利]面向單視全極化SAR數據的集成遷移學習分類方法及系統

有效

• 申請號: 202110577250.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113343804B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 孫維東;趙伶俐
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/774;G06K9/62;G06N20/00
• 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: 嚴彥

1.一種面向單視全極化SAR數據的集成遷移學習分類方法，其特征在于：采用全圖分割和局部開窗分割的方式，利用圖像空間上下文信息濃縮源域有標簽樣本量和擴充目標域有標簽樣本量；然后結合散射矢量相似性系數和適應度函數設置源域有標簽樣本選取過程，根據目標域類別中心動態調整訓練評判器模型所用的源域樣本分布；隨后引入對弱分類器可靠性的參考信息作為權重因子，采用加權形式利用遷移弱分類器進行類別軟預測，給予預測結果一致的目標域無標簽像元偽標簽，以此擴充目標域有標簽樣本量并訓練新的弱分類器；通過迭代運行，最終利用生成的遷移弱分類器集合完成目標域所有像元的集成分類；

實現過程包括以下步驟：

步驟1，將整景歷史存檔圖像作為源域，對整景歷史存檔圖像進行分割處理，得到源域全部像元的圖斑對象索引值；

步驟2，初始化源域有標簽樣本集合D_S為空，然后遍歷源域圖斑對象索引值，若具有同一索引值的源域像元具有相同的類別標簽c，則取這些像元的復散射矢量均值作為樣本值，并以c作為標簽，加入至集合D_S；

步驟3，將當前待分類的影像作為目標域，在當前待分類的影像中，以稀少的有標簽樣本為中心，分別開大小為N_win×N_win的窗口，在各窗口中進行分割處理，得到窗口內像元的圖斑對象索引值；其中，N_win為預設的窗口尺寸值；

步驟4，初始化目標域擴充樣本集合C為空，然后在步驟3開的各窗口內，找到與窗口中心具有相同索引值的像元，分別取這些像元的復散射矢量作為樣本值、中心像元的類別標簽作為這些像元的標簽，加入至集合C；

步驟5，原始目標域有標簽樣本集合D_TL僅含稀少的目標域標簽樣本，將集合C中樣本全部加入D_TL中，進行擴充更新；

步驟6，根據D_TL中樣本散射矢量值和標簽信息，得到目標域中各類別散射中心，計算D_S中源域樣本與目標域類別中心間的散射相似性系數r

步驟7，計算D_S中樣本在目標域類別中的適應度，規范化后作為樣本被選擇的概率；隨后，根據適應度大小從D_S有放回地選取樣本，構建源域樣本子集，并與D_TL融合形成融合子集；重復上述過程m次，生成m個融合子集D₁,D₂,…,D_m，其中m為預設的次數；

步驟8，逐個利用融合子集作為獨立的訓練數據集，訓練分類模型作為評判器，構成包含m個評判器的模型集合H；

步驟9，逐個利用H中每個評判器模型獨立地對目標域無標簽像元樣本進行分類，即對每個被分類的像元樣本均產生m個預測標簽；

步驟10，利用目標域有標簽樣本集D_TL作為訓練數據集，訓練新的分類模型作為弱分類器；

步驟11，將步驟10中完全基于目標域樣本訓練得到的弱分類器加入到遷移弱分類器集合F中，對其進行更新；

步驟12，利用F中每個弱分類器對目標域無標簽像元樣本進行類別預測，獨立地輸出預測樣本從屬于各類別的概率或與各類別中心的距離；

步驟13，遍歷全部目標域無標簽樣本，比較利用H得到的m個預測標簽與利用F得到的預測標簽是否一致；取共計m+1個預測標簽完全一致的樣本構成目標域偽標簽樣本擴充集合C，C中每個樣本的標簽為其預測標簽；

步驟14，判斷是否集合F中的弱分類器數量不少于閾值T，或者，集合C中的樣本數量不大于閾值N；

若是，則輸出遷移弱分類器集合F，進入步驟15；否則，返回到步驟5，再次執行步驟5至步驟14；

步驟15，利用F中弱分類器獨立完成剩余目標域無標簽像元樣本的分類，對各弱分類器預測類別進行多數投票作為最終的樣本標簽，從而完成了全部目標域像元的分類結果輸出。

2.根據權利要求1 所述面向單視全極化SAR數據的集成遷移學習分類方法，其特征在于：步驟1采用POLSRM分割算法實現對整景歷史存檔圖像進行分割處理。