【技术实现步骤摘要】
【】本专利技术属于迁移学习及目标识别，具体涉及一种开集遥感场景图像目标识别方法。
技术介绍
0、
技术介绍
1、开集领域自适应目标识别方法因能减少标签标注成本并适用于开放环境，因而被广泛应用于多种领域。
2、遥感图像场景分类是用预定义的语义类别正确标记给定的遥感图像，一直是一个活跃的研究领域，其广泛应用于城市规划、气候变化分析、军事侦察、战略决策等军事和民用领域的领域。例如，在战场态势分析过程中，若能从各种场景中精准识别出道路、桥梁、机场等战争重点关注对象，则有助于进一步完成精准的情报捕捉和战争分析等重要任务，实现军事战争自动化、智能化。因此，研究强鲁棒性、高准确度的遥感图像场景识别方法具有着重要的理论和应用价值。
3、随着遥感成像技术的发展，遥感场景图像的空间分辨率越来越高，在方便研究的同时也出现了单标签的图像中包含多物体的现象，为模型理解场景带来挑战。此外，由于不同地理、气候、文化等因素导致类内多样性问题，以及不同场景包含相似语义信息导致类间相似性问题；由于不同传感器参数和运行高度不同导致的同一类别场景图片尺度多样性的挑战。上述特性使得开集领域自适应目标识别方法应用于遥感图像相比应用于自然图像时的识别错误率更高。
技术实现思路
0、
技术实现思路
1、本专利技术的目的是提供一种开集遥感场景图像目标识别方法，以解决现有针对遥感场景图像的开集领域自适应方法少，精度不高的问题。
2、本专利技术采用以下技术方案：一种开集遥
3、步骤1、获取源域图像和目标域图像，将所述源域图像输入双特征提取器的两个子特征提取器，从而获得源域图像局部特征和源域图像全局特征；将目标域图像分别输入双特征提取器的两个子特征提取器，从而获得目标域图像局部特征和目标域图像全局特征；两个所述子特征提取器为局部特征提取器和全局特征提取器；
4、步骤2、将源域图像局部特征和目标域图像局部特征输入由已知类别数量cs个二元分类器构成的多二元分类器c1；多二元分类器c1分别对源域样本和目标域样本进行预测分别得到源域样本预测结果为p1s和目标域样本预测结果p1t；
5、将源域图像局部特征和源域图像全局特征进行张量并联融合得到源域图像融合特征；将目标域图像局部特征和目标域图像全局特征进行张量并联融合得到目标域图像融合特征；将源域图像融合特征和目标域图像的融合特征输入到多元分类器c2进行预测，得到源域图像融合特征预测结果p2s和目标域图像融合特征预测结果p2t；
6、步骤3、使用源域图像的标签与步骤2中预测得到的p1s和p2s，根据源域分类损失函数进行训练，更新双特征提取器、多二元分类器c1和多元分类器c2的参数；
7、再用步骤2中预测得到的p1t和p2t，计算p1t和p2t分别与已知类的相似度，得到被预测的目标域样本的权重；根据所述目标域样本的权重和目标域分类损失函数进行训练，更新双特征提取器、多二元分类器c1和多元分类器c2的参数；
8、步骤4、在目标域图像中筛选出未知类别权重最小的n个目标域样本作为目标域已知类图像，n属于区间[1，5]；再根据步骤2获得的目标域图像融合特征获得所述目标域已知类图像的融合特征；将源域图像融合特征和所述目标域已知类图像的融合特征一起输入到领域鉴别器中进行预测，得到任一输入样本属于源域的概率pd；根据对抗损失函数更新双特征提取器、多二元分类器c1和多元分类器c2的参数；
9、步骤5、向经过所述步骤4更新完成的所述双特征提取器中输入多个目标域图像，再由经过所述步骤4更新完成的多元分类器c2输出各个目标域图像的预测类别，实现对开集遥感场景图像的识别。
10、进一步的，步骤1中，使用空间-通道注意力机制和自注意力机制将遥感场景图片的局部特征和全局特征分别提取出来。
11、进一步的，步骤3中源域分类损失函数的计算方式为：
12、
13、
14、其中，lc1和lscls分别为训练分类器c1和c2的源域分类损失函数，ns表示样本总数，ds表示源域图像，cs代表源域类别总数，即已知类别的总数，lbce(·)为二值交叉熵函数，lce(·)为交叉熵函数，gc1为多二元分类器c1，gc2为多元分类器c2，ge为双特征提取器，gel为局部特征提取器，xi为源域样本，yi为xi的类别标签，yi，k为xi的第k个源域类别的二值标签，若xi属于第k个源域类别yi，k为1否则为0。
15、进一步的，步骤3中，利用所述目标域样本预测结果p1t与单个已知类的相似度，以及所述目标域图像融合特征预测结果p2t与整体已知类的相似度，来构造未知类权重机制，从而筛选目标域中的未知类样本。
16、进一步的，步骤3中目标域分类损失函数的计算方式为：
17、
18、
19、其中，ltc1和ltc2分别为训练分类器c1和c2的目标域分类损失函数，dt表示目标域图像，wj为目标样本xj的未知类别权重，为最后一列为1的未知类别标签，为全零矩阵；lbce(·)为二值交叉熵函数，lce(·)为交叉熵函数，gc1为多二元分类器c1，gc2为多元分类器c2，ge为双特征提取器，gel为局部特征提取器。
20、进一步的，步骤3中，所述对抗损失函数的定义如下：
21、
22、其中，gd为领域鉴别器，z为领域类别标签，当样本来自源域时z＝0，当样本来自目标域时z＝1。
23、本专利技术的有益效果是：本专利技术采用双特征提取器，其中局部特征提取器用来获取图像的判别性特征，有效解决遥感图像类间相似度高和多地面物体共存的问题，能够提升模型对不同类别的辨别能力，增强对多目标图像的抗干扰能力；全局特征提取器用来提取与图像风格和目标尺度无关的语义间关联信息，克服类内多样性大和物体尺度差异大带来的消极影响，提高模型对场景类别的深度理解和泛化能力。此外，通过基于样本与已知类相似信息学习得到的自适应未知类别权重机制，和对抗学习的已知类对齐过程实现了面向遥感场景图像的开集领域自适应任务。
本文档来自技高网...【技术保护点】
1.一种开集遥感场景图像目标识别方法，其特征在于，包括以下内容：
2.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在于，所述步骤1中，使用空间-通道注意力机制和自注意力机制将遥感场景图片的局部特征和全局特征分别提取出来。
3.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在于，所述步骤3中源域分类损失函数的计算方式为：
4.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在于，所述步骤3中，利用所述目标域样本预测结果P1t与单个已知类的相似度，以及所述目标域图像融合特征预测结果P2t与整体已知类的相似度，来构造未知类权重机制，从而筛选目标域中的未知类样本。
5.如权利要求3所述的一种开集遥感场景图像目标识别方法及装置，其特征在于，所述步骤3中目标域分类损失函数的计算方式为：
6.如权利要求3所述的一种开集遥感场景图像目标识别方法及装置，其特征在于，所述步骤3中，所述对抗损失函数的定义如下：
【技术特征摘要】
1.一种开集遥感场景图像目标识别方法，其特征在于，包括以下内容：
2.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在于，所述步骤1中，使用空间-通道注意力机制和自注意力机制将遥感场景图片的局部特征和全局特征分别提取出来。
3.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在于，所述步骤3中源域分类损失函数的计算方式为：
4.如权利要求1所述的一种开集遥感场景图像目标识别方法，其特征在...
【专利技术属性】
技术研发人员：刘准钆，季欣然，张作伟，傅翊珉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。