[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

说明书

本发明涉及一种基于一致性约束的自学习小样本遥感图像分类方法，将自学习方法嵌入到深度卷积神经网络中，提出自学习式小样本遥感图像分类方法，综合利用自学习方法和深度卷积神经网络优点。在迭代训练过程中，采用一致性判别准则不断产生伪标签样本，从而对小样本有标签数据进行扩充，并利用自适应权重l减少伪标签错误样本对模型产生的负面影响。随着训练过程的进行，得到的网络分类准确率会逐渐升高，模型所能处理问题的能力逐渐增强。相比于已有的遥感图像分类方法，本发明的方法不再依赖于大量有标签图像，在小样本的条件下即可获得很高的分类准确率，拥有更深远的实际意义。

技术领域

本发明属于遥感图像处理技术领域，涉及一种基于一致性约束的自学习小样本遥感图像分类方法，具体涉及一种在小样本范畴下，将自学习方法结合到深度卷积神经网络中，完成小样本遥感图像分类任务的方法。

背景技术

遥感图像分类任务作为遥感图像处理技术的重要分支，现已经成为军民两用的核心技术之一。由于遥感成像和数字化计算技术的快速发展，依靠人工对海量遥感图像进行分类和标注的管理方式已经远远无法满足应用的需求。一方面，大量的训练数据使得手工标注的代价过大；另一方面，过于依赖人的主观意识，很容易产生片面标注。因此，利用小样本遥感图像，完成准确的分类任务具有很重要的现实意义。

中国专利申请号CN201810332114.4，记载了一种“遥感影像分类与检索方法”，采用尺度不变特征变换在遥感影像不同尺度空间上查找分类的局部特征，通用搜索树构造遥感影像的全局特征，并引入高斯权函数，进行局部特征与全局特征的正则化融合，在正则化局部特征与全局特征融合的基础上开展遥感影像的分类。但遥感图像背景复杂，通常存在与图像类似的显著物干扰，传统的特征不具有强大的区分能力，容易对类别造成误判。此外，该方法依赖大量带标签训练数量，人工标注造成了大量资源浪费。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于一致性约束的自学习小样本遥感图像分类方法，将自学习结合到深度卷积神经网络中的方法，完成小样本遥感图像分类任务。

技术方案

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。

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。