一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法技术

本发明专利技术提供一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法。该方法包括：步骤1：构建遥感图像分类网络模型；步骤2：准备由VGI生成的训练数据集；步骤3：构建改进的分类交叉熵损失函数；步骤4：基于改进的分类交叉熵损失函数，采用训练数据集对遥感图像分类网络模型进行训练；步骤5：将待分类的遥感图像输入至训练好的遥感图像分类模型，得到分类结果。本发明专利技术利用构建的改进的分类交叉熵损失函数来训练DCNNs，该损失函数基于预测的DCNNs概率分布，通过指数函数自动调整样本的贡献，因此在处理噪声标签和学习真实标签分布方面具有优势；因此，训练好的遥感图像分类模型具有较好的遥感图像分类效果。好的遥感图像分类效果。好的遥感图像分类效果。

【技术实现步骤摘要】
一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法


[0001]本专利技术涉及遥感图像智能化处理
，尤其涉及一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法。

技术介绍

[0002]遥感图像分类技术已广泛应用于城市规划、土地利用分析、自动地图制作等领域。作为深度学习模型的代表，DCNNs在计算机视觉领域取得了巨大成功，并被认为是RSIC(Remote sensing image classification，遥感图像分类)最成功的模型。然而，DCNNs需要大量的训练样本才能达到高性能。为了加速生成训练样本的过程，使用众包平台中的志愿地理信息(VGI)来标记遥感图像中的对象。VGI可以基于定位系统的地理定位快速提取大量训练样本，极大地克服了DCNNs用于RSIC的缺点。然而，由于VGI和图像更新的频率不同，使用VGI数据对图像进行标注可能会产生噪声标签。在这种情况下，DCNNs很容易过拟合噪声标签，因此DCNNs的性能不可避免地会受到损害。
[0003]为了减轻噪声标签的不利影响，一种常见的方法是从训练数据集中去除或纠正噪声标签。然而，由于遥感图像的高度复杂性和有噪声的标签分布，难以区分信息真标签和有噪声的真标签。
[0004]因此，最近的研究主要是利用标签分布来有效地训练含有噪声标签的数据集的DCNNs。这些研究可以分为两类：建模噪声分布和构建鲁棒损失函数。
[0005]建模噪声分布的方法试图对有噪声的标签分布进行建模，并恢复有噪声样本的真实标签来训练DCNNs。这些方法在对象层次上解决了噪声标签问题，在训练DCNNs方面取得了很好的效果。但是，与之前研究中的问题不同的是，VGI产生的噪声标签是在像素级的，因为每个图像像素都需要使用VGI进行标记。在这种情况下，需要高度复杂的计算来模拟每个像素的噪声标签分布。此外，噪声标签可能会局部集中，因此很难准确地模拟噪声分布。
[0006]构建鲁棒损失函数的方法是通过开发不受噪声标签影响的鲁棒损失函数直接提高了DCNNs的鲁棒性。样本对训练过程的贡献可以通过损失函数的梯度大小来衡量，可以认为是一个自然内置的损失函数样本加权。分类交叉熵损失(CCE)函数考虑到样本类的预测概率与提供的标签不太一致的样本，与平均绝对误差损失(MAE)函数相比，CCE给予这些样本更多的加权，因为它的梯度是由目标值与模型预测之间的“误差”给出的。因此，使用CCE训练的DCNNs比使用MAE训练的DCNNs具有更强的硬样本学习能力。然而，CCE的这种加权方案对于具有真实标签的干净样本是理想的。当训练数据集中包含带有噪声标签的样本时，使用CCE训练的DCNNs比使用MAE训练的DCNNs更容易对这些噪声样本进行过拟合。相反，MAE对这些更有可能是噪声标签的样本赋予较小的权重，因此它对噪声标签的鲁棒性更强。然而，MAE的加权方案也减少了这些样本的学习，这些样本的预测概率与提供的标签更一致。因此，当使用MAE训练时，DCNNs在学习真实标签分布方面较弱。GCE结合了MAE和CCE的优点；IMAE将MAE的梯度转化为非线性的指数函数，以扩大样本的贡献。然而，这些方法中，有的方法过于强调有噪声的样本，有的方法则无法有效学习真实标签分布，因此这些方法所构建
的损失函数对有噪声的标签均没有足够的鲁棒性。

技术实现思路

[0007]为了解决利用VGI数据生成的训练数据集时，由于其中的噪声标签导致遥感图像分类网络模型的分类性能下降，造成遥感图像分类效果不好的问题，本专利技术提供一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法。
[0008]本专利技术提供的一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法，包括：
[0009]步骤1：构建遥感图像分类网络模型；
[0010]步骤2：准备由VGI生成的训练数据集其中，η表示噪声比率，N是样本总数，X
i
表示第i个遥感图像样本，M
i
表示X
i
的标签地图；
[0011]步骤3：构建改进的分类交叉熵损失函数；
[0012]步骤4：基于改进的分类交叉熵损失函数，采用训练数据集对遥感图像分类网络模型进行训练；
[0013]步骤5：将待分类的遥感图像输入至训练好的遥感图像分类模型，得到分类结果。
[0014]进一步地，所述遥感图像分类网络模型采用DCNNs模型。
[0015]进一步地，所述改进的分类交叉熵损失函数L
ICCE
的公式为：
[0016][0017]其中，f表示DCNNs模型，K是训练类的总数量，x表示遥感图像X的像素，m
x
表示像素x的标签，m
k
表示像素x的one
‑
hot编码标签中的第k个元素，p(m
k
|x)表示像素x的标签属于类别k的类条件概率，T表示超参数，e表示自然常数。
[0018]进一步地，步骤4中，采用梯度下降优化算法来训练遥感图像分类网络模型。
[0019]本专利技术的有益效果：
[0020](1)构建了一种改进的分类交叉熵(ICCE)损失函数来训练DCNNs，该ICCE损失函数基于预测的DCNNs概率分布，通过指数函数自动调整样本的贡献，因此在处理噪声标签和学习真实标签分布方面具有优势；因此，训练好的遥感图像分类模型具有较好的遥感图像分类效果。
[0021](2)在DCNNs的训练过程中，由于利用VGI数据生成的训练集样本可能存在噪声标签，ICCE会对预测概率与所提供标签不太一致的像素点赋予较小的权重，来减少噪声标签对训练过程的贡献，进而提高DCNNs的鲁棒性和实用性；同时，ICCE对预测概率与提供的标签一致的干净像素样本给予较大权重，提高了DCNNs学习隐藏在噪声标签中的真实标签分布的能力。
[0022](3)在风险最小化框架下，本专利技术证明了ICCE训练的最优DCNNs在均匀噪声和类相关噪声下的误差是有界的，从而保证了ICCE在理论上的优势。
[0023](4)在两个高空间分辨率数据集(Cheng
‑
roads数据集和Zimbabwe
‑
BR数据集)和一
个多光谱数据集(河南省土地利用数据集)上进行实验，实验结果表明，使用ICCE训练的DCNNs可以避免像素级噪声标签的过拟合，并在RSIC中取得良好的性能。
附图说明
[0024]图1为本专利技术实施例提供的一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法的流程示意图；
[0025]图2为本专利技术实施例提供的采用不同损失函数来训练进行遥感图像分类的DCNNs模型时的样本权重分配情况对比示意图；
[0026]图3中，(a)为Cheng
‑
roads数据集中的一些图像和标签示例；(b)为Zimbabwe
‑
BR数据集中的一些图像和标签示例；
[0027]图4为本专利技术实施例提供的河南省土地利用(HN
‑...

【技术保护点】

【技术特征摘要】
1.一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法，其特征在于，包括：步骤1：构建遥感图像分类网络模型；步骤2：准备由VGI生成的训练数据集其中，η表示噪声比率，N是样本总数，X
i
表示第i个遥感图像样本，M
i
表示X
i
的标签地图；步骤3：构建改进的分类交叉熵损失函数；步骤4：基于改进的分类交叉熵损失函数，采用训练数据集对遥感图像分类网络模型进行训练；步骤5：将待分类的遥感图像输入至训练好的遥感图像分类模型，得到分类结果。2.根据权利要求1所述的一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法，其特征在于，所述遥感图像分类网络模型采用DCNNs模型。3.根据权利...

【专利技术属性】
技术研发人员：赫晓慧，李盼乐，程淅杰，乔梦佳，常紫倩，高亚军，田智慧，刘飞，
申请(专利权)人：郑州大学，
类型：发明
国别省市：