[发明专利]基于自学习半监督深度神经网络高分影像场景分类方法

权利要求书

1.一种基于自学习半监督深度神经网络高分影像场景分类方法，其特征在于，包括以下步骤：

步骤1，数据准备，本步骤进一步包括：

步骤1.1，确定感兴趣的遥感场景类别；

步骤1.2，收集高分辨率遥感影像并对每一类场景标注若干训练样本，最终获得若干未标注遥感场景图像样本和若干带有标注的遥感影像图像样本；

步骤2，高分辨率遥感影像场景分类深度网络预训练，本步骤进一步包括：

步骤2.1，定义并构建深度卷积神经网络用于场景分类；

步骤2.2，训练数据预处理；

步骤2.3，利用已标注样本训练深度卷积网络；

步骤3，深度卷积神经网络半监督再训练，本步骤进一步包括：

步骤3.1，从标注数据集中随机抽取指定数量的样本，计算标注样本的损失函数J_sup；

步骤3.2，从未标注数据集中随机抽取指定数量的样本，计算未标注样本的损失函数J_usup；

步骤3.3，计算总的半监督损失函数J_total；

步骤3.4，计算深度网络参数偏导并更新网络参数；

步骤3.5，重复步骤3.1-3.4至最大迭代次数；

步骤4，利用步骤3得到的网络进行高分辨率遥感影像场景推断；

步骤2.3包含以下步骤：

步骤2.3.1，深度特征提取，特征提取公式为：

f＝CNN(x) (1)

其中x表示经过步骤2.2处理得到的影像，CNN(·)为深度卷积神经网络特征提取函数，f表示得到的深度特征；

步骤2.3.2，利用分类器SoftMax进行深度特征分类，得到类别概率分布，具体公式为：

其中p(t|x)表示图像x属于某一类的后验概率，w_c为SoftMax中第c类对应的参数向量，n表示总的类别个数；

步骤2.3.3，计算场景分类损失函数J_sup，公式如下：

其中m为参与训练的样本个数，y_i为参与训练的样本x_i的类别标签，1(·)是指示函数定义如下：

步骤2.3.4，采用随机梯度下降算法计算参数偏导数并更新网络参数，计算公式如下:

其中w为深度网络参数，表示网络参数偏导数，lr表示学习率。

2.对于权利要求1所述的基于自学习半监督深度神经网络高分影像场景分类方法，其特征在于，步骤3包含以下步骤：

步骤3.1，从标注数据集中随机抽取指定数量的样本，计算标注样本的损失函数J_sup；

步骤3.2，从未标注数据集中随机抽取指定数量的样本，计算未标注样本的损失函数J_usup，此步骤进一步包括：

步骤3.2.1，计算抽取的未标注样本的类别概率分布p；

步骤3.2.2，对任意未标注样本，当其类别概率分布p最大值大于置信度阈值P_thrd，则将其加入集合Used；

步骤3.2.3，利用集合Used中的未标注样本计算无监督损失函数J_usup：

其中|U_sed|表示集合Used中的样本个数，y_i为集合Used中第i个未标记样本的预测标签ID；

步骤3.3，计算总的半监督损失函数J_total

J_total＝J_sup+βJ_usup (8)

其中β为无监督损失函数的权重；

步骤3.4，计算深度网络参数偏导并更新网络参数；

步骤3.5，重复步骤3.1-3.4至最大迭代次数。