[發明專利]基于遷移學習的多源異構遙感樣本庫構建方法及裝置

在審

• 申請號: 202111157123.2
• 申請日: 2021-09-30
• 公開（公告）號: CN113886630A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 邵振峰;張思航
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/587
• 分類號: G06F16/587;G06T3/00;G06T5/00;G06N3/04;G06N3/08
• 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

本發明提供一種基于遷移學習的多源異構遙感樣本庫構建方法及裝置，包括對城市多源異構遙感數據進行一致性預處理，多源異構遙感數據是來自不同傳感器的不同時間分辨率、不同空間分辨率、不同光譜分辨率以及不同角度成像的遙感數據；構建基于空間域轉換的標簽遷移學習網絡，以高分光學影像x、高分光學樣本l和同一場景下其他異構遙感影像y作為網絡輸入，將高分光學影像x和同一場景下其他異構遙感影像y分別轉換到低維特征空間Z_x和Z_y，并使得Z_x和Z_y有一定交集；通過Z_x和l之間的轉換關系，建立x和l的聯系，使得網絡輸出同一場景下其他異構遙感影像y的標簽；優化后通過標簽遷移網絡模型對多源異構遙感影像進行標記，對樣本進行有效性驗證，對標記錯誤的影像重新標簽學習。

技術領域

本發明屬于遙感影像信息提取領域，涉及一種基于遷移學習的多源異構遙感樣本庫構建方法及裝置。

背景技術

全球城市遙感信息提取為全球城市可持續發展的研究奠定了基礎，面臨著海量的遙感數據和全球各種復雜場景，深度學習方法以其學習能力強、泛化能力強等優勢在進行全球城市遙感信息提取任務中脫穎而出。遙感大數據為開展基于深度學習的全球城市遙感信息提取提供了可能。然而，單一的遙感數據源無法描述全球城市土地覆蓋、土地利用的多樣性和差異性，而多源異構遙感樣本的構建過于復雜，因此目前尚無全球覆蓋的城市遙感樣本庫。如何綜合利用多源異構遙感影像的優勢，構建一個全球城市典型要素多源異構大規模遙感樣本庫，是制約深度學習模型在全球尺度城市遙感信息智能提取的瓶頸。此外，現有的樣本庫標記系統都是人工來進行的，耗時耗力，已不能滿足日增月益的遙感數據。

針對此問題，本發明提供一種基于遷移學習的多源異構遙感樣本庫構建方法及裝置，利用多源異構遙感影像，通過制定不同時間分辨率、不同空間分辨率、不同光譜分辨率、不同成像角度(簡稱“時-空-譜-角”)的遙感數據一致性預處理技術方案，建立基于空間域轉換的多源異構遙感樣本半自動遷移標注方法及系統，該半自動樣本遷移標注方法利用已標注的高分光學樣本為參考，對同一場景下的異構影像(如LiDAR數據、紅外影像等)進行標注。

發明內容

針對現有遙感樣本庫標注技術存在的不足，本發明的目的是提供一種新的樣本遷移標注方法，實現一種基于遷移學習的多源異構遙感樣本庫構建方法及裝置。

本發明技術方案提供一種基于遷移學習的多源異構遙感樣本庫構建方法，包括以下步驟，

步驟a，對城市多源異構遙感數據進行一致性預處理，所述多源異構遙感數據是指來自不同傳感器的不同時間分辨率、不同空間分辨率、不同光譜分辨率以及不同角度成像的遙感數據；

步驟b，構建基于空間域轉換的標簽遷移學習網絡，所述標簽遷移學習網絡中，以高分光學影像x、高分光學樣本l和同一場景下其他異構遙感影像y作為網絡的輸入，通過將高分光學影像x和同一場景下其他異構遙感影像y分別轉換到低維特征空間Z_x和Z_y，并使得Z_x和Z_y有一定交集；通過Z_x和l之間的轉換關系，建立x和l的聯系，最終使得網絡輸出同一場景下其他異構遙感影像y的標簽o；

步驟c，優化網絡模型，包括在網絡訓練過程中，通過反向求導法則來最小化損失函數，直到損失函數值不再下降為止；

步驟d，樣本有效性驗證，包括通過步驟b構建的標簽遷移網絡模型，對多源異構遙感影像進行標記，對樣本是否滿足要求進行有效性驗證，對標記錯誤的影像重新進行標簽學習，直到滿足要求為止。