[发明专利]一种基于自动机器学习的遥感影像场景分类方法

说明书

本发明公开了一种基于自动机器学习的遥感影像场景分类方法，包括以下步骤：在原始遥感影像数据集D₀上进行N1个时期的神经网络结构搜索，以获取结构最优的深度神经网络A_N1；使用所述的最优的深度神经网络模型A_N1作为自动遥感影像数据增强过程中的基础网络，进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集D_N2；利用所述的遥感影像数据集训练所述的最优的深度神经网络，训练过程由自动超参数优化控制；利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程，提高了遥感影像场景分类任务的精度，并大大减少了对人力与时间的消耗。

技术领域

本发明涉及遥感图像处理与识别技术领域，尤其涉及一种基于自动机器学习的遥感影像场景分类方法。

背景技术

随着越来越多的遥感卫星被发射升空，遥感影像的获取变得越来越简单，因此对更快速更智能的遥感影像理解的需求也日益增加。随着遥感影像分辨率的提高，遥感影像中地物的细节越来越丰富，也产生了众多新的应用。其中，遥感影像场景分类是将每张遥感影像指定一个标签，这一标签表明了该影像中包含的地物所构成的场景，如商业区、学校或者公园。以往针对不同地物的特点手工设计特征来进行遥感影像理解的方法因为费时费力且准确性不高，已经逐渐被基于机器(深度)学习的方法所代替。

目前，遥感领域基于深度学习的场景分类方法往往通过构建一个深度神经网络自动从数据中学习到需要的特征，克服了手工设计特征的局限性，从而获得更好的性能。这些机器(深度)学习的方法主要依赖于利用机器学习专家设计的深度神经网络来处理场景分类问题。但模型结构的设计往往需要经验丰富的机器学习与遥感专家的参与，并且具有劳动密集的特点，需要花费大量的时间与人力。尤其是针对不同的数据集设计不同的深度神经网络的结构，受限于操作者自身的专家经验，其解决方案并不一定能拥有最佳的性能。

因此，面对日益增长的遥感影像智能理解的需求，亟需一种能够自适应的设计深度神经网络结构来处理遥感影像场景分类问题的智能算法。其一，可以将深度学习的建模过程自动化，从而大量节省人力与时间；其二，对于不同的数据将提供基于数据的最适宜的解决方案，能够进一步提升模型处理遥感影像场景分类任务的能力。

发明内容

有鉴于此，本发明的目的在于提供一种基于自动机器学习的遥感影像场景分类方法，所述方法依据遥感影像数据自动构建用于处理遥感影像场景分类任务的机器学习模型的完整流程，通过上述流程，不仅能获得更高性能的机器学习模型，同时其高度自动化的过程能够有效节省机器学习模型结构设计过程中的人力与时间。

本发明的目的是这样实现的，一种基于自动机器学习的遥感影像场景分类方法，包括以下步骤：

步骤1，在原始遥感影像数据集D₀上进行N1个时期(epoch)的神经网络结构搜索，N1为设定阈值，以获取在所述的原始遥感影像数据集上结构最优的深度神经网络A_N1；

步骤2，使用所述的最优的深度神经网络模型A_N1作为自动遥感影像数据增强过程中的基础网络，从原始遥感影像数据集D₀开始进行N2个时期(epoch)的自动遥感影像数据增强，N2为设定阈值，以获得增强后的遥感影像数据集D_N2；

步骤3，利用所述的遥感影像数据集D_N2训练所述的最优的深度神经网络A_N1，训练过程由自动超参数优化控制；

步骤4，利用训练完成的深度神经网络模型进行遥感影像场景分类。