[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

说明书

本发明提供了一种多输出土地覆盖分类模型的训练方法、分类方法及装置，所述训练方法包括：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。本发明可使模型反向传播时不易发生梯度消失现象，有利于提高分类精度。

技术领域

本发明涉及遥感图像分类技术领域，具体而言，涉及一种多输出土地覆盖分类模型的训练方法、分类方法及装置。

背景技术

近年来，高分辨率遥感影像获取能力飞速提升，遥感分类应用也越来越广泛。自2006年Hinton等人提出深度学习的概念以来，研究者提出了众多的深度学习网络。深度学习通过组合低层特征形成更加抽象的高层特征用来表示属性类别或高层语义特征，在遥感分类领域已经取得了一定的进展。

在对土地覆盖类型进行精细分类时，较浅的网络难以区分出地物的低层次类别，如耕地中的旱地，水田等，可见较浅的网络深度的分类精度难以达到要求，唯有加深网络结构才可能满足需求，然而，在网络结构较深时，可能会发生梯度消失现象，导致网络前面几层的参数难以调整，制约了分类精度的提高。

发明内容

本发明解决的问题是现有网络结构在对土地覆盖类型进行精细分类时，存在梯度消失现象，导致网络参数难以调整的问题。

为解决上述问题，本发明提供一种多输出土地覆盖分类模型的训练方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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；