[发明专利]一种基于迁移学习的建筑物标定方法

权利要求书

1.一种基于迁移学习的建筑物标定方法，包括以下步骤：

步骤1.自制数据集，建筑物数据集来自于Google图片以及百度图片，基于现有的数据集共分为七类生活中常见的建筑物，分别为教堂，居民楼，医院，酒店，图书馆，别墅住房以及商场，并作均一化处理；

步骤2.构建基于迁移学习的多特征标定神经网络模型，整个网络架构分为图像特征标定，图像特征提取，数据库匹配，以及图形认证；

图像特征标定：针对建筑物风格明显的建筑物进行单一特征标定，风格多样的进行多特征标定，继而形成该图片的特征矩阵；

图像特征提取：进行特征标定后的图片作为网络输入，多层神经网络由一系列卷积层和下采样层的相互配合来学习原始图像的特征，结合经典的BP算法来调整参数，完成权值更新，BP网络更新权值公式为：

ω(t+1)＝ω(t)+ηδ(t)x(t) (1)

其中ω(t)为连接权值，x(t)为神经元的输出，δ(t)表示该神经元的误差项，η表示学习率，网络中卷积层的网络结构采用卷积的离散型，表示为：

其中M_β表示输入特征的一个选择，k表示卷积核，γ表示网络的层数，b表示每个输入特征映射添加的偏置，对于特定的输出映射，输入的映射特征可以应用不同的卷积核卷积得到；f表示卷积神经元所用的激活函数，在此每个块使用的都是ReLu激活函数；

数据库匹配：此处的数据库是来自于训练数据集所得到的每张图片的特征向量，网络训练后每张图片的特征信息会以1024维数据点的形式保存在标签文件中，在测试数据集的时候新训练的图片特征信息会通过计算断其马氏距离来进行数据库的匹配；

图像认证：图像特征提取模块完成特征提取后，得到两个输出结果，一是图像的特征向量，二是图像分类后的标签；图像认证模块根据待认证图像已有标签先将其归入图像库对应类别中，再与该类别其它图像进行马氏距离计算，结果计为D_i，i＝1，2，3…，m，取出D_min；根据计算结果来判断待认证图像是否出自该数据库或与该数据库的图像出自同一张源图；判断方法本文使用阈值法，阈值Th_m根据大量实验结果设定；如果D_minTh_m，即该图像和该类中所有图像距离较大，不属于该数据库；反之，则该图像属于该数据库，且与D_min对应的图像为同一图像或者来源于同一张图像；

马氏距离的定义：已知有M个样本向量X₁～X_m，协方差矩阵记为S，均值记为向量μ，则其中样本向量X_i到μ的马氏距离D(X)表示为：

而其中向量X_i与X_j的马氏距离定义为：

若协方差矩阵是单位矩阵，即各样本向量之间独立同分布，则公式就变成：

也就是欧式距离；若协方差矩阵是对角矩阵，公式就变成标准化欧氏距离；因此，马氏距离和欧式距离相比，它是一种有效的计算两个未知样本集的相似度的方法；与欧氏距离不同的是它考虑到各种特性之间的联系且不受纲量影响，测试图像认证模块准确率，通过对自制数据集Build-7每张图片进行小范围旋转，仿射，灰度变换的操作，合成新的数据集来模拟篡改的图像，而图像认证准确率主要取决于前期图像分类的结果以及阈值的选取，所以实验目的是找到合适的阈值，阈值的初始值通过计算变换后图像与原图像的距离，统计分析后设定；

步骤3.网络训练，过程如下：

将网络的训练轮数定为10000次，一次训练的样本数量为100，每10次进行一轮预测，同时将全部数据的80％作为主要的训练样本T，另外10％作为训练过程中的交叉验证样本V，剩下的10％作为预测分类器在真实世界中的表现的测试数据集K，训练使用的算法为随机梯度下降算法SGD，网络的输入为大小为229x229x3，在块中的卷积层全部采用3x3小型卷积核进行参数削减，通过迁移了来自根据imageNet训练的GoogleNet权重，并进行微调，使网络从最优点开始训练，重新训练分类器，计算训练集T的logloss损失函数值，根据反向传播算法更新多层神经网络的权值和偏差；

计算验证集V的logloss损失函数值，判定模型是否收敛，如果收敛模型训练结束否则进入下一批训练集T上的数据进行训练直到验证集V上的logloss损失函数值趋向收敛；最后用测试集K验证模型的精确度；

步骤4.将训练好的模型对实际建筑物图片进行标定。

2.如一种基于迁移学习的建筑物标定方法，其特征在于：步骤2所述的阈值的初始值为2.0。