[发明专利]一种基于多头注意力生成对抗网络的遥感场景分类方法

说明书

本发明公开了一种基于多头注意力生成对抗网络的遥感场景分类方法，首先，将多头注意力机制引入生成对抗网络，该网络包含一个嵌入了多头注意力机制的生成器和一个嵌入了多头注意力机制的判别器；其次，将遥感图像样本输入该网络中，生成器通过输入随机噪声产生合成图像，判别器分别通过输入真实图像和生成模型生成的合成图像来判断输入图像的真假，交替训练判别器和生成器，直到当生成器和判别器达到纳什均衡时，模型达到最优；然后，提取生成器生成的遥感图像，和原始遥感图像数据集进行合并，形成新的遥感图像数据集；最后，将新的遥感图像数据集输入深度卷积神经网络分类器中，实现遥感图像的分类。

技术领域

本发明属于图像处理领域，尤其涉及一种基于多头注意力生成对抗网络的遥感场景分类方法。

背景技术

当前我国水质环境面临的形势十分严峻，加强对水质环境管理和保护已成为重中之重。然而传统的水质环境监测方法费时费力，很难在较短时间内全面获取信息，将获取信息快、覆盖范围大、受限条件少的遥感技术应用于水质环境监测中显得尤为重要。水利遥感图像分类是水域解译的重要基础，为水利遥感图像的应用(如水资源调查监测、水文情报预测和区域水文研究)提供了不可或缺的分析数据，因此对其深入研究具有很高的理论意义和实用价值。

在实际应用中，水利遥感图像中水体类别复杂，一级水域和水利设施用地可以粗略地分为十种类别，如：河流、湖泊、水库、坑塘和沟渠等，而其中的湖泊又可以分为堰塞湖、构造湖、火口湖和河成湖等等。复杂的水体类别使得获取大量水利遥感图像并对其进行标注显然是不现实的，而实际情况中，需要预测的水利遥感图像数量往往远超于现有的带标注的数据集数量，导致训练样本和测试样本极不均衡。传统的基于监督分类、非监督分类、和浅层学习的方法虽然能在一定程度上提升水利遥感图像的分类精度，但是容易受到光照、噪声等问题的干扰，且面对复杂分类问题时，泛化能力容易受到制约。基于深度学习的水利遥感图像分类方法强大的特征表达能力使得其能有效应用于水利遥感图像分类问题。但是无论是传统的还是基于深度学习的水利遥感图像分类方法，分类性能的瓶颈均受限于带标签水利遥感图像数据集的数目。现有的深度学习方法应用于水利遥感图像分类任务面临巨大的挑战。如何充分利用有限的标记数据集预测大量的未知类别的水利遥感图像，提升其分类性能是目前亟待解决的一个问题。

针对标记数据集匮乏的水利遥感图像而言，若要大幅度提升其分类效果，关键在于要有大量带标签的水利遥感图像训练样本，然而，对水利遥感图像进行训练样本的手工选取和标注是一个巨大的工程，而且随着具体分类任务的不同，大量训练样本的获取非常困难。目前常用的数据增强手段是通过裁剪、翻转图像、旋转图像和缩放比例的方式来获取足够多的数据，但是这种方法只是在原有的数据集上进行一些变换，并不是生成新的遥感图像信息，并且很难稳定地改善分类结果。尤其是面向细节较为丰富、信息量较大的水利遥感图像来说，通过裁剪图像等数据增强手段会损失掉一些信息。而生成对抗网络作为近年来最具潜力的深度学习方法，表示图像等高维数据的突出能力使其在遥感图像处理领域有很强的适用性，尤其具备图像合成的能力。因此，利用在图像生成方面成果显著的生成对抗网络增强标记水利遥感图像数据集，进一步提升水利遥感图像分类准确率成为了一个自然而然的选择。

近年来，以生成对抗网络为代表的生成模型备受关注，其不依赖于任何先验分布假设，能够用简单的方式从潜在空间中生成真实样本，能很好地表示图像、视频、音乐等高维数据，这些特点使得生成对抗网络具备处理复杂图像的优越能力，已经有学者将其应用于遥感图像处理领域。