[发明专利]一种基于特征生成网络的小样本遥感地物分类方法及系统

权利要求书

1.一种基于特征生成网络的小样本遥感地物分类方法，其特征在于，包括：

基于地物类别将遥感地物分类数据集划分为源数据集D_source和目标数据集D_target；

在源数据集D_source上对特征提取器F和生成网络G进行训练；

基于目标数据集D_target，利用所述特征提取器F和所述生成网络G进行特征生成，得到各地物类型对应的生成特征集；

利用特征提取器F对测试地物图像x进行特征提取，并将测试样本特征与各种地物类型的生成特征集执行相似度度量，给出测试图像x在各类地物类型上的置信度分数，进而确定被测图像x的地物分类。

2.如权利要求1所述的地物分类方法，其特征在于，所述基于地物类别将遥感地物分类数据集划分为源数据集D_source和目标数据集D_target，包括：

将遥感地物分类数据集中地物类别划分为源类别C_source、目标类别C_target，且所述源类别C_source和目标类别C_target中的地物类别互斥；

基于所述源类别C_source和目标类别将遥感地物分类数据集划分为源数据集D_source、目标数据集D_target；

其中所述源数据集D_source上每类地物目标所对应的样本数应不少于500。

3.如权利要求1所述的地物分类方法，其特征在于，在源数据集D_source上对特征提取器F进行训练，包括：

以D_source上的地物类别空间整体，作为当前的待分类集合；

对特征提取器尾端增加两层全连接层，最后一层全连接层负责给出每一类地物类型的置信度分数；另外一层用于进行非线性运算；

基于待分类集合上的样本数量分布，采用损失函数按地物类别进行均衡加权策略对所述特征提取器F进行训练；

待损失函数趋于平稳后终止训练，剔除全连接层，并将剩余部位的参数用于特征提取器F的参数初始化。

4.如权利要求3所述的地物分类方法，其特征在于，所述采用损失函数按地物类别进行均衡加权策略对所述特征提取器F进行训练包括：

在交叉熵损失函数准则下，基于各地物类型样本在源数据集D_train上的频数分布，转化成幂指残差形式对各地物类型样本的分类损失函数进行加权均衡。