[发明专利]基于元学习和注意力的小样本城市遥感影像信息提取方法

说明书

本发明提供一种基于元学习和注意力的小样本城市遥感影像信息提取方法，包括构建小样本城市遥感信息预训练模型，在预训练阶段，通过对小样本集进行预训练网络学习，充分学习已有样本的特征信息，得到小样本集的初始特征参数和深层卷积网络主干；构建“时空谱角”注意力模型，用于使网络在训练过程中关注重要的“时空谱角”信息，抑制噪声和冗余信息，提高模型的分类性能；建立元学习与注意力协同机制并实现小样本城市遥感信息提取，包括将“时空谱角”注意力模型得到的特征参量和初始的特征参量进行并行关联学习，引入正则化器使交叉熵和结构风险最小化，实现对小样本信息的充分挖掘。应用本发明使得小样本城市典型地物信息提取的精度更高。

技术领域

本发明属于遥感影像信息提取领域，设计一种基于元学习和注意力协同机制的小样本城市遥感影像信息提取方法。

背景技术

城市作为人类生存、活动、生产的重要场所，随着城市化的快速发展，生态功能退化、环境污染、极端气象事件频发等“城市病”严重威胁城市的可持续发展。随着遥感技术特别是国产遥感卫星技术的快速发展，中国已经具备自主获取全球高分辨率城市地理信息的数据条件，但是受遥感影像智能解译水平和城市复杂场景的影响，对高分辨率遥感影像进行城市地物要素提取仍面临巨大挑战。

深度学习网络具有强大的非线性表征能力和较高的图像识别能力，在高分辨图像信息提取中具有明显的优势，但是深度学习算法通常需要较多的参数量和大规模的图像知识库，受地理区位和天气等因素的限制，大范围、大体量的训练样本标记难度大、人工成本高，对于一些小样本的城市区域，深度学习算法容易出现泛化能力弱的问题，不利于获取精准的城市遥感信息。

发明内容

针对现有小样本城市遥感影像信息提取技术存在的不足，本发明旨在提供一个新的小样本城市高分辨率遥感信息提取模型，实现一种基于元学习和注意力协同机制的小样本城市高分辨率遥感影像信息提取方法。

本发明技术方案提供一种基于元学习和注意力的小样本城市遥感影像信息提取方法，包括以下步骤，

步骤1，构建小样本城市遥感信息预训练模型，在预训练阶段，通过对小样本集进行预训练网络学习，充分学习已有样本的特征信息，得到小样本集的初始特征参数和深层卷积网络主干；

步骤2，构建“时空谱角”注意力模型，用于使网络在训练过程中关注重要的“时空谱角”信息，抑制噪声和冗余信息，提高模型的分类性能；

步骤3，建立元学习与注意力协同机制并实现小样本城市遥感信息提取，包括将“时空谱角”注意力模型得到的特征参量和初始的特征参量进行并行关联学习，引入正则化器使交叉熵和结构风险最小化，实现对小样本信息的充分挖掘。

而且，步骤1中，所述小样本城市遥感信息预训练模型是一个由卷积层、池化层和全连接层组成的网络结构，有5段卷积网络，每一段内有2个或3个卷积层，每段结尾连接一个最大池化层用于缩小图片尺寸；各段内部的卷积核数量一样，越靠近全连接层卷积核数量越多。

而且，所述小样本城市遥感信息预训练模型中的卷积网络实现如下，

第一段卷积网络由两个卷积层和一个最大池化层组成，输出通道数为64，输出的尺寸为112×112×64；

第二段卷积网络由两个卷积层和一个最大池化层组成，输出通道数为128，输出尺寸为56×56×128；

第三段卷积网络由三个卷积层和一个最大池化层组成，输出通道数为256，输出尺寸为28×28×256；

第四段卷积网络由三个卷积层和一个最大池化层组成，输出通道数为512，输出尺寸为14×14×512；

第五段卷积网络由三个卷积层和一个最大池化层组成，输出通道数为512，输出尺寸为7×7×512；