[发明专利]一种基于度量学习的多模型分组融合的遥感图像分类方法

说明书

本发明提供了一种基于度量学习的多模型分组融合的遥感图像分类方法，设计了一种双模型特征提取器提取特征，将卷积神经网络提出的多层次特征进行融合，提升模型的表征能力，提出了度量学习的损失函数，通过调节深度卷积神经网络的超参数，得到优化好的神经网络，将待分类的遥感图像数据通过优化好的神经网络，给出遥感图像的更准确地分类，实现对遥感图像的分类。本发明弥补了单一CNN模型在特征提取方面的不足，缓解遥感数据类内多样性和类间相似性高的问题，充分使用卷积神经网络的特征提取能力，进一步提升模型的表征能力，极大改善了分类准确率，在数个遥感数据集上准确率最佳。

技术领域

本发明涉及深度学习、数字图像处理以及计算机视觉的交叉领域，具体为一种基于度量学习的遥感图像分类方法。

背景技术

近些年来，随着科学技术的不断进步，高分辨率遥感卫星迅速发展，产生大量的具有不同分辨率的不同场景的遥感图像。由于遥感图像不仅具有丰富的空间和纹理特征，而且还包含大量的场景语义信息，因此在自然灾害检测，土地覆盖、土地利用分类、地理空间物体检测、地理图像检索、植被测绘、环境监测和城市规划有着重要作用。然而，由于遥感图像复杂的空间信息，如何有效地描述和分类场景是一项艰巨的任务。

尽管对于遥感图像的分类已经有了大量的研究，特别是在提取方面，在场景分类中，手工特征提取是一种常用的遥感图像表示方法。全局特征包括光谱特征、颜色矩、纹理和形状描述符，代表整个场景的图像统计。然而，由此产生的统计数据不能揭示场景的局部细节，当场景具有相似的外观时，就会导致误分类。对于遥感场景图像，其图像背景复杂且存在某类图像中关键物体尺度大小变化较大的情况，所以需要考虑多重信息来准确辨别各类场景。在典型的深度架构中，卷积神经网络(CNN)提供了较强的特征提取能力，并在场景分类方面取得了显著的性能提升，但它们通常都是对整个特征通道进行操作，且特征通道具有复杂的非均匀分布。

发明内容

为了克服现有技术的不足，本发明提供一种基于度量学习的多模型分组融合的遥感图像分类方法。本发明设计一种能满足实际应用需求的遥感图像分类方法，以提升模型的特征提取能力，完成更加精准的遥感图像分类。为了解决单一模型特征提取不足的问题，本发明设计了一种双模型特征提取器提取特征，此外，提出一种分组注意力融合方法，将卷积神经网络提出的多层次特征进行融合，提升模型的表征能力；为了解决遥感图像场景存在难分样本和易分样本，导致分类准确率之间的不平衡，本发明提出了度量学习的损失函数，以解决遥感图像数据地物信息复杂，使得难以从遥感图像中提取到精确的地物信息，没有很好解决遥感场景图像中图像背景复杂且存在某类图像中关键物体尺度大小变化较大的问题。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤1：构建深层遥感图像特征提取器；

针对单一模型特征提取能力的不足，提出结合双CNN模型的网络结构进行遥感场景图像分类；

步骤2：基于注意力机制进行分组融合；

依据图1所示，将基于CNN网络的低、中、高三种深度的特征进行通道分组，通过图4的注意力网络结构对每组的特征图进行进一步提取有效信息，根据三个层次对应的子组相加的规则在组内进行融合，更关注每个通道的信息，得到更深层次的双模型融合特征信息；

步骤3：构建度量损失函数

遥感图像场景具有类内差异大、类间相似度高的特点，导致部分场景识别困难的问题；因此，提出了基于度量学习的损失函数，即CF-loss，表示为：

L_CF＝(1-λ)L_intra+λL_inter