[发明专利]一种基于一致性约束的自学习小样本遥感图像分类方法

摘要

本发明涉及一种基于一致性约束的自学习小样本遥感图像分类方法，将自学习方法嵌入到深度卷积神经网络中，提出自学习式小样本遥感图像分类方法，综合利用自学习方法和深度卷积神经网络优点。在迭代训练过程中，采用一致性判别准则不断产生伪标签样本，从而对小样本有标签数据进行扩充，并利用自适应权重l减少伪标签错误样本对模型产生的负面影响。随着训练过程的进行，得到的网络分类准确率会逐渐升高，模型所能处理问题的能力逐渐增强。相比于已有的遥感图像分类方法，本发明的方法不再依赖于大量有标签图像，在小样本的条件下即可获得很高的分类准确率，拥有更深远的实际意义。

主权项

1.一种基于一致性约束的自学习小样本遥感图像分类方法，其特征在于步骤如下：步骤1：对有标签训练样本集和无标签训练样本集进行数据扩增操作，在扩增后的有标签训练样本集上，训练已在ImageNet数据集上预训练好的卷积神经网络模型，得到遥感图像卷积神经网络分类模型；步骤2：按照一致性约束准则，由遥感图像卷积神经网络分类模型赋予无标签训练样本确定伪标签，将赋予了确定伪标签的无标签训练样本加入有标签训练样本集中，得到扩展之后的有标签训练样本集，在扩展之后的有标签训练样本集上，以已经得到的遥感图像卷积神经网络分类模型为初始，接着训练遥感图像卷积神经网络分类模型，得到更新之后的遥感图像卷积神经网络分类模型；步骤3：重复步骤2，直至遥感图像卷积神经网络分类模型分类准确率收敛，得到最终的遥感图像卷积神经网络分类模型，用此模型完成对遥感图像的分类任务。