[发明专利]基于双三元组伪孪生架构的遥感飞机目标分类方法和装置

权利要求书

1.一种基于双三元组伪孪生架构的遥感飞机目标分类方法，其特征在于，所述方法包括：

获取遥感飞机目标的样本集，所述样本集包括：锚样本、正样本和负样本；所述锚样本和所述正样本属同一类别，所述锚样本和所述负样本属不同类别；

构建基于双三元组伪孪生架构的遥感飞机目标分类网络；所述遥感飞机目标分类网络包括三个基于伪孪生架构的分类子网；所述基于伪孪生架构的分类子网包括两个由特征提取网络、全连接层以及分类层构成的分类支路；两条分类支路中的所述特征提取网络为两个权值不共享的卷积神经网络，所述特征提取网络用于提取输入样本的特征；

构建损失函数；所述损失函数包括分类损失、对比损失以及三元组损失；所述三元组损失是根据锚样本的特征和正样本的特征的距离、锚样本的特征和负样本的特征的距离以及预设距离阈值确定的；

将所述锚样本，所述正样本和所述负样本分别输入到所述遥感飞机目标分类网络中，并根据所述损失函数，对所述遥感飞机目标分类网络进行训练，得到训练好的遥感飞机目标分类模型；

获取待测遥感飞机目标的待测锚样本，待测正样本和待测负样本，并输入到所述遥感飞机目标分类模型中，得到遥感飞机目标分类结果；

其中，构建损失函数，包括：

将所述分类损失、所述对比损失以及三元组损失进行加权求和，得到总损失；所述总损失的损失函数的表达式为：

Loss＝w₁*L_cls+w₂*L_contrastive+w₃*L_triplet

其中：Loss表示损失，L_cls表示分类损失，L_contrastive表示对比损失，w₁,w₂,w₃表示损失权重，L_triplet表示三元组损失，三元组损失的函数表达式为：

其中：和分别表示第一组锚样本、正样本和负样本，f(.)表示特征提取网络提取的特征图，α表示距离阈值，N表示锚样本、正样本和负样本的组数。

2.根据权利要求1所述的方法，其特征在于，所述锚样本，所述正样本和所述负样本均包括：图像样本和掩模样本；

所述分类子网的全连接层包括两个并列的全连接层；

所述分类子网的分类层包括两个并列的分类层；

将所述锚样本，所述正样本和所述负样本分别输入到三条所述分类子网中，并根据所述损失函数，对所述遥感飞机目标分类网络进行训练，得到训练好的遥感飞机目标分类模型，包括：

将所述锚样本的图像样本、所述正样本的图像样本以及所述负样本的图像样本组成图像三元组；

将所述锚样本的掩模样本、所述正样本的掩模样本以及所述负样本的掩模样本组成掩模三元组；

将所述图像三元组和所述掩模三元组输入到所述遥感飞机目标分类网络的三个分类子网的特征提取网络中，得到三元组图像特征和三元组掩模特征；所述三元组图像特征包括：锚样本图像特征、正样本图像特征以及负样本图像特征；所述三元组掩模特征包括：锚样本掩模特征、正样本掩模特征以及负样本掩模特征；

将所述三元组图像特征和所述三元组掩模特征输入到所述遥感飞机目标分类网络的三个分类子网的全连接层网络中，并将得到的输出输入到所述遥感飞机目标分类网络的三个分类子网的分类层中，得到图像三元组预测分类和掩模三元组预测分类；

根据图像三元组预测分类以及对应输入的图像三元组的真实类别，得到图像三元组分类损失，根据掩模三元组预测分类以及对应输入的掩模三元组的真实类别，得到掩模三元组分类损失；

根据所述锚样本图像特征和所述锚样本掩模特征得到锚样本对比损失，根据所述正样本图像特征和所述正样本掩模特征得到正样本对比损失，根据所述负样本图像特征和所述负样本掩模特征，得到负样本对比损失；

根据所述锚样本图像特征、所述正样本图像特征以及所述负样本图像特征，得到图像三元组损失；根据所述锚样本掩模特征、所述正样本掩模特征以及所述负样本掩模特征，得到掩模三元组损失；

将图像三元组的分类损失、掩模三元组的分类损失、所述锚样本对比损失、所述正样本对比损失、所述负样本对比损失、所述图像三元组损失以及所述掩模三元组损失进行加权融合，得到总损失；

根据所述总损失对所述遥感飞机目标分类网络进行反向训练，直至所述总损失满足预设条件或训练轮数达到预定值，训练结束，得到训练好的遥感飞机目标分类模型。