[发明专利]一种改进的基于无监督表征学习的遥感图像场景分类方法

权利要求书

1.一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于，包括以下步骤：

对数据集中的遥感图像进行预处理，获得真实遥感图像的数据分布x；

初始化模型的参数，所述模型包括生成器和鉴别器；

将一个随机噪声z输入生成器，随后该噪声在构成生成器的反卷积神经网络中映射得到一个新的数据分布G(z)；

将真实遥感图像的数据分布x与G(z)共同输入到鉴别器中，鉴别器对输入的两个数据分别做出判断，输出一个概率值；

通过最大池化操作将鉴别器的倒数三层神经网络的特征映射图连接在一起作为一个多特征融合层，提取遥感图像特征信息；

由多特征融合层中提取到的遥感图像特征信息，输入到一个由全连接网络构成的多层感知机分类器，实现分类。

2.根据权利要求1所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述多特征融合层还将特征匹配损失和鉴别器判断样本是否来自真实样本的真假损失反馈给生成器。

3.根据权利要求1或2所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述生成器中生成对抗网络的整体公式可以如下表示：

其中p_data(x)表示真实样本的分布，p_z(z)表示随机噪声z生成假样本的分布，D和G分别表示鉴别器和生成器，表示该公式是通过最小化生成器的期望值，最大化鉴别器的期望值来体现生成器与鉴别器之间的对抗博弈过程，x代表真实样本，z代表随机的多维噪声，D(x)和G(z)分别代表鉴别器接收的是来自真实样本的分布和生成器接收随机噪声输出的假样本的分布,表示样本的概率来自真实数据的期望值,表示样本来自生成器的概率期望值。

4.根据权利要3所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述生成器的损失函数定义为最小化如下式子：

L(G)_wgan＝-E_z～p(z)[D(z)]

其中D(z)表示的是鉴别器接收的样本是由随机噪声生成的假样本的分布，E_z～p(z)[D(z)]代表的是当鉴别器接收的样本是来自生成器随机噪声生成的样本的期望值，L(G)_wgan表示生成器的损失函数。

5.根据权利要求1或2所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述生成器将多维随机噪声通过反卷积神经网络生成与真实样本相近的分布，所述鉴别器为一个二分类器，以区分输入的图像是真实样本还是生成的假样本。

6.根据权利要求5所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：在训练所述鉴别器时，固定生成器的权重；进而鉴别器的损失函数为：

其中λ是惩罚系数，表示梯度函数。

7.根据权利要求2或6所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述特征匹配损失定义如下：

其中f(x)表示鉴别器的多特征层上的激活函数。

8.根据权利要7所述一种改进的基于无监督表征学习的遥感图像场景分类方法，其特征在于：所述生成器损失函数定义如下：