[发明专利]多输出土地覆盖分类模型的训练方法、分类方法及装置

权利要求书

1.一种多输出土地覆盖分类模型的训练方法，其特征在于，包括：

获取训练数据；

将所述训练数据输入至基于深度置信网络的初始模型中进行训练，获得多输出土地覆盖分类模型，其中，所述初始模型包含N级输出，所述N级输出包括设置于所述初始模型最后一个网络层的输出和设置于所述初始模型第一个网络层至倒数第二个网络层中任意N-1个网络层的N-1级输出，根据所述N级输出的损失确定总损失，基于所述总损失进行反向传播，以调整所述初始模型的参数，N为大于或等于2的整数；

所述获取训练数据包括：

获取训练用的图像集；

对所述图像集进行特征提取，得到所述训练数据，其中，提取的特征包括以下至少一种：波段光谱、植被指数、主成分波段、多尺度滤波特征、多尺度纹理特征和地形特征。

2.如权利要求1所述的多输出土地覆盖分类模型的训练方法，其特征在于，所述根据所述N级输出的损失确定总损失包括：

根据所述N级输出的损失各自对应的权重系数，计算所述N级输出的损失的加权和，作为所述总损失。

3.如权利要求1所述的多输出土地覆盖分类模型的训练方法，其特征在于，N=2，所述初始模型包含第一级输出和第二级输出，所述根据所述N级输出的损失确定总损失包括：

基于所述第一级输出与其相应标签获得第一损失，基于所述第二级输出与其相应标签获得第二损失；

根据所述第一损失、所述第二损失以及所述第一损失、所述第二损失各自对应的权重系数，计算总损失。

4.如权利要求1所述的多输出土地覆盖分类模型的训练方法，其特征在于，所述初始模型为多个，所述将所述训练数据输入至基于深度置信网络的初始模型中进行训练，获得多输出土地覆盖分类模型包括：

将所述训练数据分别输入至各所述初始模型中，以对各所述初始模型进行训练，获得各所述初始模型对应训练好的分类模型，其中，各个所述初始模型的N-1级输出所处的网络层数互不相同；

从多个所述分类模型中选取分类结果最优的分类模型作为所述多输出土地覆盖分类模型。

5.如权利要求2所述的多输出土地覆盖分类模型的训练方法，其特征在于，所述初始模型为多个，且各个所述初始模型的N-1级输出所处的网络层数互不相同，所述将所述训练数据输入至基于深度置信网络的初始模型中进行训练，获得多输出土地覆盖分类模型包括：

将所述训练数据分别输入至各所述初始模型中，以对各所述初始模型进行训练，获得各所述初始模型对应训练好的分类模型，其中，各所述初始模型反向传播时所基于的总损失为基于各所述初始模型的所述N级输出的损失，以及各级输出的损失对应的预设默认权重系数获得的总损失，其中，各所述初始模型各级输出的损失对应的预设默认权重系数相等；

从多个所述分类模型中选出分类结果最优的第一分类模型；

将所述训练数据输入至所述第一分类模型进行训练，获得所述第一分类模型各级输出的损失对应的最优权重系数，将具有所述最优权重系数的第一分类模型作为所述多输出土地覆盖分类模型；

其中，所述将所述训练数据输入至所述第一分类模型进行训练，获得所述第一分类模型各级输出的损失对应的最优权重系数包括：

基于所述第一分类模型，遍历所有可能的权重系数组合再次进行训练，获得所有权重系数组合对应的训练好的第一分类模型，其中分类结果最优的第一分类模型所包含的权重系数组合即最优输出权重系数。

6.如权利要求4所述的多输出土地覆盖分类模型的训练方法，其特征在于，所述将所述训练数据分别输入至各所述初始模型中，以对各所述初始模型进行训练，获得各所述初始模型对应训练好的分类模型包括：

获取多个权重系数组合，将所述训练数据分别输入至各所述初始模型中，分别训练出各所述初始模型下各所述权重系数组合对应的分类模型，将各所述初始模型下分类效果最优的分类模型作为各所述初始模型对应的训练好的分类模型。