[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

说明书

本申请涉及一种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。所述方法包括：获取遥感飞机目标的样本集，样本集包括：锚样本、正样本和负样本，构建基于双三元组伪孪生架构的遥感飞机目标分类网络，该网络包括：三个基于伪孪生架构的分类子网；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；构建损失函数；根据锚样本，正样本、负样本以及损失函数，对网络进行训练得到遥感飞机目标分类模型，将待测样本输入到该模型中得到遥感飞机目标分类结果。本方法采用对比损失提升模型区别非同源特征的能力；采用三元组损失缩短同类目标在特征空间的距离，同时加大非同类目标在特征空间的距离，提升分类精度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种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。

背景技术

随着遥感技术快速发展，遥感图像分辨率逐步提高，同时图像的空间和纹理信息也越来越丰富。遥感飞机目标精细识别是遥感领域近年来的热门研究课题。其主要过程是根据网络提取的目标特征进行分类。如何有效提取目标特征信息并且能够区分差异较小的不同类别的目标，是遥感飞机目标识别的关键。由于不同型号飞机目标之间尺寸相近、形状相似，类间特征差异较小；而同型号飞机之间受可变掠翼张角不同、阴影等影响，类内特征差异较大，所以难以区分。

Yann等人提出了孪生架构，孪生架构中两个子网络的结构相同，并且参数共享，该架构使用两个图像作为输入，并通过逐像素相似性(例如，欧几里得距离)来测量对比度损失。孪生架构可以提取两个输入图像之间的差异，并判断它们是否属于同一类。如果两个图像属于同一类别，则架构学习到的距离应该很小，反之亦然。

现有基于孪生架构的分类模型已经实现了较先进的表现，但是，对于细粒度的识别精度不高。

发明内容

基于此，有必要针对上述技术问题，提供一种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。

一种基于双三元组伪孪生架构的遥感飞机目标分类方法，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。

上述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，通过获取遥感飞机目标的样本集，样本集包括：锚样本、正样本和负样本，构建基于双三元组伪孪生架构的遥感飞机目标分类网络，该网络包括：三个基于伪孪生架构的分类子网；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；构建损失函数，根据锚样本，正样本、负样本以及损失函数，对遥感飞机目标分类网络进行训练得到遥感飞机目标分类模型，将待测样本输入到遥感飞机目标分类模型中得到遥感飞机目标分类结果。本方法采用对比损失提升模型区别非同源特征的能力；采用三元组损失缩短同类目标在特征空间的距离，同时加大非同类目标在特征空间的距离，提升分类精度。

附图说明