【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于智能監(jiān)控技術(shù)與遙感探測(cè)交叉，涉及一種面向光學(xué)遙感傳感器的，用于監(jiān)控地表的遙感圖像場(chǎng)景分類方法和系統(tǒng)。
技術(shù)介紹
1、遙感圖像場(chǎng)景分類是一項(xiàng)利用遙感技術(shù)對(duì)地表圖像進(jìn)行分析和分類的技術(shù)，可以快速、準(zhǔn)確地獲取大面積區(qū)域的地物信息，實(shí)現(xiàn)對(duì)地表變化的動(dòng)態(tài)監(jiān)測(cè)和分析，對(duì)于科學(xué)研究、資源管理、環(huán)境保護(hù)以及應(yīng)對(duì)自然災(zāi)害等方面具有重要意義。然而，受限于遙感圖像的對(duì)地觀測(cè)視角，圖像中存在許多具有相似視覺特征的模糊目標(biāo)。因此要實(shí)現(xiàn)準(zhǔn)確的遙感圖像場(chǎng)景分類，必須提取能夠捕捉不同類別之間的差異和同一類別內(nèi)的相似性的特征。
2、對(duì)提升遙感圖像場(chǎng)景分類精度而言，生成法和判別法是兩類數(shù)據(jù)驅(qū)動(dòng)的深度特征學(xué)習(xí)方法。前者旨在通過對(duì)輸入進(jìn)行編碼和解碼，在無監(jiān)督的情況下高保真地重建輸入，從而捕獲圖像中的全局語義和局部細(xì)節(jié)；后者則通過最小化預(yù)測(cè)概率與真值標(biāo)簽之間的經(jīng)驗(yàn)誤差，提取圖像中顯著性最強(qiáng)的特征語義。
3、生成法和判別法均為目前最先進(jìn)的遙感圖像場(chǎng)景分類方法，其提取的遙感圖像生成性特征和判別性特征對(duì)于場(chǎng)景分類而言至關(guān)重要，但這兩類特征潛在的協(xié)同作用尚未在該領(lǐng)域得到研究，導(dǎo)致已有方法在所提取特征的全面性、有效性方面存在不足，限制了遙感圖像場(chǎng)景分類性能的進(jìn)一步發(fā)展。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中存在的技術(shù)問題，本專利技術(shù)的目的在于提供一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類方法和系統(tǒng)。本專利技術(shù)采用基于生成式和判別式的遙感圖像場(chǎng)景分類，以及聯(lián)合可信學(xué)習(xí)方法，通過對(duì)生成式與判別式特征的不確定
2、本專利技術(shù)通過研究發(fā)現(xiàn)遙感圖像生成式特征學(xué)習(xí)方法和判別式特征學(xué)習(xí)方法之間的互補(bǔ)性關(guān)聯(lián)，從而提供一種用聯(lián)合可信學(xué)習(xí)來融合并全面表達(dá)遙感圖像的生成式和判別式特征的方法，并以此為基礎(chǔ)提出一種有效性和可靠性突出的場(chǎng)景分類方法，能夠從光學(xué)遙感圖像數(shù)據(jù)中綜合生成式和判別式方法各自的優(yōu)勢(shì)，來提高其場(chǎng)景分類的準(zhǔn)確性。
3、本專利技術(shù)的技術(shù)方案為：
4、一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類方法，其步驟包括：
5、對(duì)目標(biāo)區(qū)域進(jìn)行探測(cè)，獲取目標(biāo)區(qū)域的遙感場(chǎng)景圖像；
6、對(duì)獲取的目標(biāo)區(qū)域的遙感場(chǎng)景圖像提取生成式特征和判別式特征；
7、使用基于主觀邏輯理論的不確定性量化方法，對(duì)生成式特征和判別式特征中對(duì)于場(chǎng)景分類所包含的不確定性進(jìn)行估計(jì)；
8、根據(jù)不確定性量化結(jié)果，使用基于d-s證據(jù)理論組合規(guī)則的決策級(jí)融合方法，對(duì)遙感場(chǎng)景圖像中的場(chǎng)景進(jìn)行分類。
9、進(jìn)一步地，利用遙感圖像采集設(shè)備對(duì)目標(biāo)區(qū)域進(jìn)行探測(cè)，獲取目標(biāo)區(qū)域的遙感場(chǎng)景圖像并將其發(fā)送至數(shù)據(jù)處理器；所述數(shù)據(jù)處理器包括生成式特征提取模塊、判別式特征提取模塊、不確定性量化模塊、可信決策融合模塊。
10、進(jìn)一步地，所述數(shù)據(jù)處理器中的生成式特征提取模塊和判別式特征提取模塊對(duì)輸入的遙感圖像數(shù)據(jù)集分別進(jìn)行特征提取，該遙感圖像數(shù)據(jù)集記為其中(xi,yi)表示第i個(gè)樣本及其標(biāo)簽，n表示樣本總數(shù)，該過程可以被表示為fg(x)和fd(x)，其中x表示輸入樣本，fg和fd分別表示遙感圖像上預(yù)訓(xùn)練的生成式模型(比如卷積自編碼模型)和判別式模型(比如resnet18模型)的特征映射函數(shù)，這也就獲得了同一場(chǎng)景在兩個(gè)不同特征提取器下的圖像特征。
11、進(jìn)一步地，所述不確定性量化模塊使用基于主觀邏輯理論的不確定性量化方法，分別量化生成式特征和判別式特征對(duì)場(chǎng)景識(shí)別的不確定性；其具體步驟包括：
12、首先，計(jì)算生成式特征和判別式特征所得到的分類證據(jù)：eg(x)＝log(1+exp(fg(x))),ed(x)＝log(1+exp(fd(x)))；
13、然后，利用證據(jù)eg(x),ed(x)來計(jì)算生成式特征和判別式特征的信念質(zhì)量b和總體不確定性u(píng)：ug(xi)＝k/sg(xi),ud(xi)＝k/sd(xi)，其中從而將迪利克雷分布的參數(shù)α表示為其中，表示輸入xi時(shí)生成式模型對(duì)第j個(gè)類別預(yù)測(cè)結(jié)果的置信度，k表示類別總數(shù)，表示輸入xi時(shí)生成式模型對(duì)第j個(gè)類別預(yù)測(cè)結(jié)果的證據(jù)，表示輸入xi時(shí)判別式模型對(duì)第j個(gè)類別預(yù)測(cè)結(jié)果的置信度，表示輸入xi時(shí)判別式模型對(duì)第j個(gè)類別預(yù)測(cè)結(jié)果的證據(jù)，ug(xi)表示輸入xi時(shí)生成式模型預(yù)測(cè)的不確定性，ud(xi)表示輸入xi時(shí)判別式模型預(yù)測(cè)的不確定性；
14、然后，基于上述定義優(yōu)化不確定性量化模型的損失函數(shù)：
15、
16、其中，ψ(·)為雙伽馬函數(shù)；yij為標(biāo)簽yi的第j個(gè)維度，和分別為輸入樣本xi后計(jì)算得到參數(shù)αg和αd的第j個(gè)維度。使用相應(yīng)的模型優(yōu)化算法優(yōu)化l，促使不確定性量化模塊從生成式特征和判別式特征中學(xué)習(xí)并量化特征對(duì)于遙感圖像場(chǎng)景識(shí)別結(jié)果的不確定性和
17、進(jìn)一步地，所述可信決策融合模塊使用基于d-s證據(jù)理論組合規(guī)則的決策級(jí)融合方法，融合生成式模型和判別式模型的決策結(jié)果具體計(jì)算過程為：其中，bj(xi)表示輸入xi時(shí)模型對(duì)第j個(gè)類別預(yù)測(cè)結(jié)果的置信度，u(xi)表示輸入xi時(shí)模型預(yù)測(cè)的不確定性，c(xi)表示輸入xi時(shí)對(duì)生成式和判別式模型輸出結(jié)果之間沖突程度的度量。該步驟實(shí)現(xiàn)對(duì)遙感圖像中的場(chǎng)景類別分類結(jié)果(即對(duì)輸入圖像x的標(biāo)簽y的預(yù)測(cè)結(jié)果)的同時(shí)，也得到對(duì)分類結(jié)果置信度、不確定性的量化估計(jì)(即)。
18、優(yōu)選的，所述遙感圖像采集設(shè)備為網(wǎng)絡(luò)攝像機(jī)。
19、優(yōu)選的，所述數(shù)據(jù)處理器為計(jì)算機(jī)或嵌入式主板。
20、優(yōu)選的，所述生成式特征提取模塊為卷積自編碼預(yù)訓(xùn)練模型。
21、優(yōu)選的，所述判別式特征提取模塊為resnet18預(yù)訓(xùn)練模型。
22、一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類系統(tǒng)，包括遙感圖像采集設(shè)備和數(shù)據(jù)處理器；所述數(shù)據(jù)處理器包括生成式特征提取模塊、判別式特征提取模塊、不確定性量化模塊和可信決策融合模塊；所述遙感圖像采集設(shè)備與所述數(shù)據(jù)處理器中的生成式特征提取模塊和判別式特征提取模塊連接；所述數(shù)據(jù)處理器中的生成式特征提取模塊和判別式特征提取模塊與所述數(shù)據(jù)處理器中的不確定性量化模塊連接，所述數(shù)據(jù)處理器中的不確定性量化模塊與所述數(shù)據(jù)處理器中的可信決策融合模塊連接；
23、所述遙感圖像采集設(shè)備對(duì)目標(biāo)區(qū)域進(jìn)行探測(cè)，獲取目標(biāo)區(qū)域的遙感場(chǎng)景圖像并將其發(fā)送給所述數(shù)據(jù)處理器；
24、所述生成式特征提取模塊采用基于生成式深度學(xué)習(xí)的遙感圖像場(chǎng)景特征提取方法，對(duì)光學(xué)遙感圖像進(jìn)行特征提取，得到生成式特征；
25、所述判別式特征提取模塊采用基于判別式深度學(xué)習(xí)的遙感圖像場(chǎng)景特征提取方法，對(duì)光學(xué)遙感圖像進(jìn)行特征提取，得到判別式特征；
26、所述不確定性量化模塊采用基于主觀邏輯理論的不確定性量化方法，對(duì)生成式和判別式特征中對(duì)于場(chǎng)景分類所包含的不確定性進(jìn)行估計(jì)；
27、所述可信決策融合模塊根據(jù)不確定性量化結(jié)果，采用基于d-s證據(jù)理論組合規(guī)則的決策級(jí)融合方法，對(duì)光學(xué)遙感本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用遙感圖像采集設(shè)備對(duì)所述目標(biāo)區(qū)域進(jìn)行探測(cè)，將獲取的目標(biāo)區(qū)域的遙感場(chǎng)景圖像發(fā)送至數(shù)據(jù)處理器；所述數(shù)據(jù)處理器包括生成式特征提取模塊、判別式特征提取模塊、不確定性量化模塊、可信決策融合模塊。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述生成式特征提取模塊和判別式特征提取模塊對(duì)輸入的遙感圖像數(shù)據(jù)集分別進(jìn)行特征提取，該遙感圖像數(shù)據(jù)集記為
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述不確定性量化模塊使用基于主觀邏輯理論的不確定性量化方法，其步驟包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述可信決策融合模塊使用基于D-S證據(jù)理論組合規(guī)則的決策級(jí)融合方法，融合生成式模型和判別式模型的決策結(jié)果，得到其計(jì)算過程為：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述遙感圖像采集設(shè)備為網(wǎng)絡(luò)攝像機(jī)，所述數(shù)據(jù)處理器為計(jì)算機(jī)或嵌入式主板。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述生成式特征提取模塊為卷積自
8.一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類系統(tǒng)，其特征在于，包括遙感圖像采集設(shè)備和數(shù)據(jù)處理器；所述數(shù)據(jù)處理器包括生成式特征提取模塊、判別式特征提取模塊、不確定性量化模塊和可信決策融合模塊；
9.一種計(jì)算機(jī)設(shè)備，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被配置為由所述處理器執(zhí)行，所述計(jì)算機(jī)程序包括用于執(zhí)行權(quán)利要求1～7中任一項(xiàng)所述方法的指令。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被計(jì)算機(jī)執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1～7中任一項(xiàng)所述的方法。
...【技術(shù)特征摘要】
1.一種基于聯(lián)合可信學(xué)習(xí)的遙感圖像場(chǎng)景分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用遙感圖像采集設(shè)備對(duì)所述目標(biāo)區(qū)域進(jìn)行探測(cè)，將獲取的目標(biāo)區(qū)域的遙感場(chǎng)景圖像發(fā)送至數(shù)據(jù)處理器；所述數(shù)據(jù)處理器包括生成式特征提取模塊、判別式特征提取模塊、不確定性量化模塊、可信決策融合模塊。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述生成式特征提取模塊和判別式特征提取模塊對(duì)輸入的遙感圖像數(shù)據(jù)集分別進(jìn)行特征提取，該遙感圖像數(shù)據(jù)集記為
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述不確定性量化模塊使用基于主觀邏輯理論的不確定性量化方法，其步驟包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述可信決策融合模塊使用基于d-s證據(jù)理論組合規(guī)則的決策級(jí)融合方法，融合生成式模型和判別式模型的決策結(jié)果，得到其計(jì)算過程為：
6.根據(jù)權(quán)利要求...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：司凌宇，董洪偉，張睿恒，強(qiáng)文文，
申請(qǐng)(專利權(quán))人：中國(guó)科學(xué)院軟件研究所，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。