【技术实现步骤摘要】
本申请涉及遥感图像分类，尤其涉及一种遥感图像分类方法、模型训练方法、系统、设备及介质。
技术介绍
1、在当今信息化和智能化飞速发展的时代，遥感技术作为获取地球表面信息的重要手段，可以通过卫星和飞机等平台搭载的传感器捕获地表的多维光谱信息，为地表特征的识别和分类提供了丰富的数据源，在农业、林业、城市规划、环境监测和灾害评估等多个领域发挥着至关重要的作用。
2、传统的遥感图像分类方法通常依赖于人工或半自动化的视觉解释，这些方法在处理大规模、高维度的遥感图像时面临着效率低下、准确性不足和泛化能力差的挑战，而且容易受到主观判断的影响，难以满足自动化的需求。
3、随着人工智能技术的兴起，尤其是深度学习的发展，遥感图像分类也迎来了新的机遇。深度学习通过构建复杂的神经网络模型，能够自动学习数据的高层特征，极大地提高了遥感图像分类的准确性和效率。
4、然而，深度学习模型通常需要大量的标记数据来进行训练，而在实际应用中，尤其是在遥感图像分类中，获取充足且高质量的训练样本往往很困难。且由于标记样本的不足，深度学习模型往往难以得到充分训练，限制了模型的性能和泛化能力，导致遥感图像分类的准确性降低。此外，由于遥感图像的高维性和复杂性，往往需要花费更多的处理时间，导致遥感图像分类的效率降低。
技术实现思路
1、本申请实施例的主要目的在于提出一种遥感图像分类方法、模型训练方法、系统、设备及介质，能够提高遥感图像分类的准确性和效率。
2、为实现上述目的，本申请实施
3、获取遥感样本图像集合；
4、将所述遥感样本图像集合输入基于量子生成器构建的数据扩充模型以对所述数据扩充模型进行模型训练，得到训练完成的数据扩充模型；
5、将所述遥感样本图像集合输入训练完成的数据扩充模型，得到数据扩充数据集；
6、将所述数据扩充数据集输入待训练的特征提取子模型进行模型训练，得到训练完成的特征提取子模型；
7、将所述数据扩充数据集输入训练完成的特征提取子模型，得到特征提取数据集；
8、将所述特征提取数据集输入待训练的特征降维子模型进行模型训练，得到训练完成的特征降维子模型；其中，所述特征降维子模型采用自编码器结构，所述自编码器结构包括编码器和解码器，所述编码器的输出层添加有自适应稀疏约束单元，所述编码器和所述解码器之间设置有投影压缩单元；
9、将所述特征提取数据集输入训练完成的特征降维子模型，得到特征降维数据集；
10、将所述特征降维数据集输入待训练的遥感图像分类子模型进行模型训练，得到训练完成的遥感图像分类子模型；
11、根据训练完成的特征提取子模型、特征降维子模型和遥感图像分类子模型，确定遥感图像分类模型。
12、在一些实施例中，所述将所述遥感样本图像集合输入待训练的数据扩充模型进行模型训练，得到训练完成的数据扩充模型，包括以下步骤：
13、根据量子生成器初始化数据扩充模型；
14、根据初始化后的数据扩充模型模拟遥感图像的分布，得到新的遥感图像数据；
15、通过量子判别器，根据遥感样本图像集合和所述新的遥感图像数据确定评估结果；
16、根据所述评估结果调整所述量子生成器的量子门序列，得到训练完成的数据扩充模型。
17、在一些实施例中，所述将数据扩充数据集输入待训练的特征提取子模型进行模型训练，得到训练完成的特征提取子模型，包括以下步骤：
18、根据神经网络模型初始化特征提取子模型；
19、将数据扩充数据集输入初始化后的特征提取子模型对所述特征提取子模型进行训练，并在训练过程中通过涡动神经网络算法优化特征提取子模型的权重参数和偏置参数，得到训练完成的特征提取子模型。
20、在一些实施例中，所述在训练过程中通过涡动神经网络算法优化特征提取子模型的权重参数和偏置参数，包括以下步骤：
21、定义并初始化涡旋参数集的参数向量；其中，涡旋参数集包括若干个涡旋，涡旋的参数向量表征初始化后的特征提取子模型的权重参数和偏置参数；
22、计算每个涡旋的参数向量和数据扩充数据集之间的损失，并根据所述损失对所述涡旋进行排序，得到涡旋参数集的排序列表；
23、根据所述排序列表和每个涡旋之间的距离，实时更新每个涡旋在所述涡旋参数集中的距离，并算出相邻两个涡旋之间的距离；
24、根据所述相邻两个涡旋之间的距离对涡旋进行涡旋合并和涡旋分裂，并根据涡旋的生命值对涡旋进行涡旋衰减，得到更新后的涡旋参数集；
25、对所述更新后的涡旋参数集进行局部搜索，得到最优涡旋，并根据最优涡旋优化所述初始化后的特征提取子模型的权重参数和偏置参数。
26、在一些实施例中，所述将特征提取数据集输入待训练的特征降维子模型进行模型训练，得到训练完成的特征降维子模型，包括以下步骤：
27、根据自编码器结构初始化特征降维子模型；
28、初始化自适应稀疏约束单元的参数、编码器的权重参数和解码器的权重参数；
29、根据所述编码器对所述特征提取数据集进行编码，得到第一低维特征向量；
30、根据所述投影压缩单元对所述第一低维特征向量进行投影压缩，得到压缩特征向量；
31、根据所述解码器对所述压缩特征向量进行重构，得到重构特征向量；
32、根据所述特征提取数据集和所述重构特征向量，计算所述特征降维子模型的损失；
33、根据所述特征降维子模型的损失优化自适应稀疏约束单元的参数、编码器的权重参数和解码器的权重参数，得到训练完成的特征降维子模型。
34、在一些实施例中，所述将降维数据集输入待训练的遥感图像分类子模型进行模型训练，得到训练完成的遥感图像分类子模型，包括以下步骤：
35、根据基于张量分解的支持向量机初始化遥感图像分类子模型；
36、将所述降维数据集输入遥感图像分类子模型的支持向量机，得到第二低维特征向量；
37、根据遥感图像分类子模型的特征映射函数对所述第二低维特征向量进行映射，得到高维特征分类向量；
38、基于所述高维特征分类向量，通过遥感图像分类子模型的优化目标函数优化张量分解的核宽度参数和支持向量机的正则化参数，得到训练完成的遥感图像分类子模型。
39、为实现上述目的，本申请实施例的另一方面提出了一种遥感图像分类方法，所述方法包括以下步骤：
40、获取待分类的遥感图像；
41、将所述待分类的遥感图像输入遥感图像分类模型，得到遥感图像的分类类别；其中，所述遥感图像分类模型通过权利要求1-6任一项所述的遥感图像分类模型训练方法训练得到；
42、所述遥感图像分类模型通过以下步骤确定遥感图像的分类类别：
43、根据特征提取子模型对所述待本文档来自技高网...
【技术保护点】
1.一种遥感图像分类模型训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述遥感样本图像集合输入待训练的数据扩充模型进行模型训练，得到训练完成的数据扩充模型，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述将数据扩充数据集输入待训练的特征提取子模型进行模型训练，得到训练完成的特征提取子模型，包括以下步骤：
4.根据权利要求3所述的方法，其特征在于，所述在训练过程中通过涡动神经网络算法优化特征提取子模型的权重参数和偏置参数，包括以下步骤：
5.根据权利要求1所述的方法，其特征在于，所述将特征提取数据集输入待训练的特征降维子模型进行模型训练，得到训练完成的特征降维子模型，包括以下步骤：
6.根据权利要求1所述的方法，其特征在于，所述将降维数据集输入待训练的遥感图像分类子模型进行模型训练，得到训练完成的遥感图像分类子模型，包括以下步骤：
7.一种遥感图像分类方法，其特征在于，所述方法包括以下步骤：
8.一种遥感图像分类模型训练系统，其特征在于，
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种遥感图像分类模型训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述遥感样本图像集合输入待训练的数据扩充模型进行模型训练，得到训练完成的数据扩充模型，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述将数据扩充数据集输入待训练的特征提取子模型进行模型训练，得到训练完成的特征提取子模型，包括以下步骤：
4.根据权利要求3所述的方法，其特征在于，所述在训练过程中通过涡动神经网络算法优化特征提取子模型的权重参数和偏置参数，包括以下步骤：
5.根据权利要求1所述的方法，其特征在于，所述将特征提取数据...
【专利技术属性】
技术研发人员：张诗，姚会强，张耀明，余杭涛，左明惠，
申请(专利权)人：广州海洋地质调查局，
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。