[发明专利]一种基于一致性约束的自学习小样本遥感图像分类方法

权利要求书

1.一种基于一致性约束的自学习小样本遥感图像分类方法，其特征在于步骤如下：

步骤1：对有标签训练样本集和无标签训练样本集进行数据扩增操作，在扩增后的有标签训练样本集上，训练已在ImageNet数据集上预训练好的卷积神经网络模型，得到遥感图像卷积神经网络分类模型；

步骤2：按照一致性约束准则，由遥感图像卷积神经网络分类模型赋予无标签训练样本确定伪标签，将赋予了确定伪标签的无标签训练样本加入有标签训练样本集中，得到扩展之后的有标签训练样本集，在扩展之后的有标签训练样本集上，以已经得到的遥感图像卷积神经网络分类模型为初始，接着训练遥感图像卷积神经网络分类模型，得到更新之后的遥感图像卷积神经网络分类模型；

步骤3：重复步骤2，直至遥感图像卷积神经网络分类模型分类准确率收敛，得到最终的遥感图像卷积神经网络分类模型，用此模型完成对遥感图像的分类任务。

2.根据权利要求1所述基于一致性约束的自学习小样本遥感图像分类方法，其特征在于：所述步骤1的数据扩增操作步骤为：利用Selective Search方法提取有标签训练样本集和无标签训练样本集中图像的候选区域，在有标签训练样本集上微调已在ImageNet数据集上预训练好的卷积神经网络模型，利用微调之后的卷积神经网络模型获得有标签训练样本集和无标签训练样本集中图像的候选区域分类得分，分类得分大于特定阈值τ₁的有标签训练样本图像候选区域加入到有标签训练样本集中，同时分类得分大于特定阈值τ₁的无标签训练样本图像候选区域加入到无标签训练样本集中，最后对有标签训练样本集和无标签训练样本集进行旋转和镜像，得到数据扩增之后的有标签训练样本集和无标签训练样本集。

3.根据权利要求1所述基于一致性约束的自学习小样本遥感图像分类方法，其特征在于：所述步骤2的按照一致性约束准则，由遥感图像卷积神经网络分类模型赋予无标签训练样本确定伪标签步骤为：由遥感图像卷积神经网络分类模型提取有标签训练样本集与无标签训练样本集中图像的特征，并记录遥感图像卷积神经网络分类模型对无标签训练样本的预测分类标签及分类得分，计算无标签训练样本图像与所有带标签训练样本图像特征之间的欧氏距离，将距其最近的带标签训练样本图像类别作为无标签训练样本的待定伪标签，判断无标签训练样本的预测分类标签与待定伪标签是否一致，如果一致并且分类得分大于阈值τ₂，则将待定伪标签作为无标签样本的确定伪标签。

4.根据权利要求1所述基于一致性约束的自学习小样本遥感图像分类方法，其特征在于：所述步骤2的训练遥感图像卷积神经网络分类模型所采用的损失函数l为：

其中，X_i表示第i幅训练图像，l表示训练图像数量，W是遥感图像卷积神经网络分类模型最后一层全连接层的参数，f(X_i；θ)表示X_i的特征描述子，θ表示遥感图像卷积神经网络分类模型参数，表示图像标签，r_i表示遥感图像卷积神经网络分类模型对训练图像X_i标签的置信程度：

其中，τ₂为阈值。