[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

本發明提供了一種基于多輸出分類模型的分類方法、計算機設備及介質，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、將所述淺層地形特征進行堆疊，分別輸入至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分類器，獲得至少兩個二級地物標簽，可以有效提取并融合不同模態的深度特征，結合多模型融合和多輸出策略，有利于提高復雜景觀區土地覆蓋精細分類的精度。

技術領域

本發明涉及遙感影像分類領域技術領域，具體而言，涉及一種基于多輸出分類模型的分類方法、計算機設備及介質。

背景技術

開展采礦區土地覆蓋精細分類，對于采礦活動的精準管理和礦產資源的可持續發展等，具有重要的理論和現實意義。然而，采礦區的復雜景觀特征如立體地形特征顯著等，導致精細分類的精度難以提升。相關研究采用多模態數據融合、特征工程和機器學習方法取得了一定的進展，但是淺層特征參數無法充分刻畫地物精細尺度下的復雜模式。

近年來，深度學習技術廣泛應用于遙感領域并取得了一定的成功。然而，遙感分類的少樣本情況與深度模型對樣本的大需求之間的天然矛盾，制約著遙感深度學習方法的發展，有精度低、無法準確對復雜地形進行分類的問題。

發明內容

本發明解決的問題是如何獲得更準確的復雜遙感數據的精細分類標簽。

為解決上述問題，本發明提供一種基于多輸出分類模型的分類方法，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分類器，獲得至少兩個二級地物標簽。

相對于現有技術，本發明通過構建具有無監督特征提取能力的多分支深度置信網絡模型，可在只有少量樣本時即可構建魯棒的分類模型，采用光譜-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分別提取再融合的方法，能避免不同模態的光譜-空間特征和地形特征數據因數值單位、含義和數量級不同而導致的“互相影響”，更有利于多模態深度特征的提取；通過多個分類器輸出多個二級地物標簽，可以避免特殊的光譜影像和數字高程模型數據輸出不準確的二級地物標簽。

可選地，將所述融合特征分別輸入至少兩個分類器，獲得至少兩個二級地物標簽之后還包括：分別計算至少兩個二級地物標簽與人工標注標簽的損失，分別對應獲得損失；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。

由此，從至少兩個分類器中計算出至少兩個二級地物標簽，通過計算損失的方式選出最準確的二級地物標簽作為輸出標簽，可以獲得最準確的標簽，且將對應的分類器作為此種標定礦區的分類器，可以保證針對性地選取分類器，且具有最好的標簽輸出。

可選地，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，其中，所述分類器包括所述第一分類器。