[发明专利]一种基于无标签样本一致性判定的协同训练方法

说明书

一种基于无标签样本一致性判定的协同训练方法，本发明涉及涉及协同训练和多角度图像分类。本发明目的在于解决现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低的问题。过程为：一：进行初分类：二：选择拍摄图像中无标签样本的可信样本；三：得到该视角重新训练好的分类器；直至所有视角对应的分类器重新训练完成；四：得到该视角的分类结果；直至所有视角对应的分类器重新分类完成；五：重复执行二、三、四，直至满足迭代终止条件，得到每个视角的分类结果，进行投票，以投票率最高的标签作为一中拍摄图像中不带有标签的样本的标签。本发明用于数字图像处理领域。

技术领域

本发明属于数字图像处理领域，涉及协同训练和多角度图像分类，是一种多视角学习方法。

背景技术

针对同一对象不同层面或从不同途径所获得的特征数据一般被称为多视角数据。多视角学习通常需要遵循两个原则：一致性原则和互补性原则；一致性原则指同一物体的不同视角是有相互联系的，互补性原则是指同一物体的不同视角是有所差异的，可以作为互相补充的特征。现有的多视角学习算法主要分为以下的三大类：协同训练、子空间学习和多核学习。其中协同训练算法通过交替学习两个或多个不同的视角数据，使其之间不一致性最小。

分辨率是用来评估遥感卫星价值的一个重要指标。卫星的分辨率包括三个部分：空间分辨率，时间分辨率和光谱分辨率。然而时间分辨率和空间分辨率是相互对立的，升高卫星运行轨道可以提高时间分辨率但同时会降低空间分辨率，反之亦然。在传感器技术飞跃之前，为了形成对全球的快速观测覆盖，遥感卫星不能仅仅观测星下区域，也需要在单次重访飞行中扩大观测区域。而扩大观测区域主要依靠卫星侧摆来实现，侧摆角的增加，会造成图像拍摄视角的较大差异，便产生了高分辨率多角度遥感图像。

多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低。

发明内容

本发明目的在于解决现有多角度遥感增加了对同一区域地物联合分析的难度，特别是地物变化分析的难度，使多角度遥感图像分类准确率低的问题，而提出一种基于分类器对无标签样本一致性判定的协同训练方法(CO-training with Unlabeled Sample’sConsistency下简称CO-USC)。

一种基于无标签样本一致性判定的协同训练方法具体过程为：

步骤一：对N个视角拍摄图像中不带有标签的样本进行初分类：

卫星在同一时间N个视角拍摄图像，分别选择每个视角拍摄图像中带有标签的样本训练分类器，并将训练好的分类器对该视角内拍摄图像中无标签样本进行初分类；

所述分类器为N个，与N个视角一一对应；N取值为正整数；

步骤二：确定拍摄图像中无标签样本的置信度和伪标签，根据拍摄图像中无标签样本的置信度和伪标签选择拍摄图像中无标签样本的可信样本；

步骤三：顺次选定每个视角，将步骤二中该视角所获得的可信样本及其对应伪标签加入分类器进行训练，得到该视角重新训练好的分类器；

直至所有视角对应的分类器重新训练完成，得到每个视角对应的重新训练好的分类器；

步骤四：顺次选定每个视角，将步骤二中认为是不可信的该视角无标签样本加入步骤三中该视角重新训练好的分类器进行分类，得到该视角的分类结果；

直至所有视角对应的分类器重新分类完成，得到每个视角对应的分类结果；

步骤五：重复执行步骤二、步骤三、步骤四，直至满足迭代终止条件，得到每个视角的分类结果，将所有视角的分类结果及步骤二确定可信样本的伪标签对步骤一中拍摄图像中不带有标签的样本在全部视角进行投票，以投票率最高的标签作为步骤一中拍摄图像中不带有标签的样本的标签。

本发明的有益效果为：