[發明專利]一種基于多輸出分類模型的分類方法、計算機設備及介質

有效

• 申請號: 202110690722.4
• 申請日: 2021-06-22
• 公開（公告）號: CN113139532B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 李顯巨;孫凱威;陳偉濤;王力哲;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;G06K9/46;G06K9/62;G06N20/20
• 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: 吳航

1.一種基于多輸出分類模型的分類方法，其特征在于，所述多輸出分類模型包括多分支深度置信網絡模型和至少兩個分類器，其中，所述多分支深度置信網絡模型包括光譜-空間深度置信網絡模型分支和地形深度置信網絡模型分支，所述基于多輸出分類模型的分類方法包括：

獲取標定礦區的遙感數據，從所述標定礦區的遙感數據中提取多光譜影像和DEM數據，基于所述多光譜影像和所述DEM數據提取淺層特征，其中，所述淺層特征包括淺層光譜-空間特征和淺層地形特征；

將所述淺層光譜-空間特征進行堆疊，輸入至所述光譜-空間深度置信網絡模型分支；將所述淺層地形特征進行堆疊，輸入至所述地形深度置信網絡模型分支，基于所述多分支深度置信網絡模型獲得融合特征；

將所述融合特征分別輸入至少兩個所述分類器，獲得至少兩個二級地物標簽；

在所述獲取標定礦區的遙感數據，從所述標定礦區的遙感數據中提取多光譜影像和DEM數據，基于所述多光譜影像和所述DEM數據提取淺層特征之前包括：獲取訓練樣本并提取訓練多光譜影像和訓練DEM數據，基于所述訓練多光譜影像和所述訓練DEM數據提取訓練淺層特征；

將所述訓練淺層特征中的淺層光譜-空間特征和淺層地形特征分別進行堆疊，分別構建所述光譜-空間深度置信網絡模型與所述地形深度置信網絡模型，以獲得訓練融合特征；

通過第一分類器處理所述訓練融合特征，獲得初步標簽結果，基于所述初步標簽結果對所述多輸出分類模型進行微調，所述微調包括將所述初步標簽結果與人工訓練標簽進行比對并計算損失，根據所述損失進行反向傳播，微調所述多輸出分類模型，其中，所述初步標簽結果為預測的一級地物標簽和預測的二級地物標簽，其中，所述分類器包括所述第一分類器，所述微調包括：分別微調，包括將所述預測的一級地物標簽與一級人工標注標簽進行比對，計算一級地物損失，基于所述一級地物損失進行反向傳播，微調所述多輸出分類模型中的多分支深度置信網絡模型；然后通過所述預測的二級地物標簽與二級人工標注標簽進行比對，計算二級地物損失，基于所述二級地物損失進行反向傳播，再次微調所述多輸出分類模型中的多分支深度置信網絡模型；或綜合微調，包括將所述預測的一級地物標簽與所述一級人工標注標簽進行比對、將所述預測的二級地物標簽與所述二級人工標注標簽進行比對，計算綜合損失，使用所述綜合損失進行反向傳播，微調所述多輸出分類模型中的多分支深度置信網絡模型，其中，所述綜合損失包括加權后的一級地物損失與二級地物損失。

2.根據權利要求1所述的基于多輸出分類模型的分類方法，其特征在于，在所述將所述融合特征分別輸入至少兩個所述分類器，獲得至少兩個二級地物標簽之后，還包括：

分別計算至少兩個所述二級地物標簽與人工標注標簽的損失，以獲得對應的損失；

將損失最小的二級地物標簽對應的分類器作為所述標定礦區的遙感數據所屬類別對應的分類器。

3.根據權利要求2所述的基于多輸出分類模型的分類方法，其特征在于，所述將所述訓練淺層特征中的淺層光譜-空間特征和淺層地形特征分別進行堆疊，分別構建所述光譜-空間深度置信網絡模型與所述地形深度置信網絡模型包括：

基于無監督預訓練獲得所述光譜-空間深度置信網絡模型和所述地形深度置信網絡模型，所述無監督預訓練包括：基于所述訓練淺層特征逐一構建受限玻爾茲曼機模型，采用堆疊方式處理所有的受限玻爾茲曼機模型，分別獲得所述光譜-空間深度置信網絡模型和所述地形深度置信網絡模型，其中，所述堆疊方式包括將每個所述受限玻爾茲曼機模型的輸入為前一個受限玻爾茲曼機模型的輸出；

將所述光譜-空間深度置信網絡模型分支和所述地形深度置信網絡模型分支進行堆疊，獲得全連接層，其中，所述全連接層用于獲得所述訓練融合特征。

4.根據權利要求3所述的基于多輸出分類模型的分類方法，其特征在于，令所述二級地物損失的權重為1，所述一級地物損失的權重設為W，當所述預測的一級地物標簽過擬合時，所述一級地物損失的權重W的取值范圍為1-10；當所述預測的一級地物標簽欠擬合時，所述一級地物損失的權重W的取值范圍為0.1-1。