【技术实现步骤摘要】
本申请涉及计算机视觉，特别是涉及一种遥感图像多标签分类方法、装置、设备、介质及产品。
技术介绍
1、随着遥感技术的飞速发展，基于人工智能的遥感图像分类系统已经在土地检测、城市规划、植被覆盖检测等领域得到了广泛的应用。与常规图像相比，遥感图像富含多种语义信息，其中目标物的尺度以及数量与常规图像相比都有较大差异，采用原始的单标签分类方法解决遥感图像分类常造成语义信息丢失。多标签遥感图像分类算法旨在为一副遥感图像分配多个标签，使用多标签进行遥感图像分类能够充分利用遥感图像语义，对于进一步释义遥感图像具有重要意义。
2、在相关技术中，多标签遥感图像分类算法的研究大致可以划分为传统机器学习和基于深度学习的方法。早期的多标签分类算法一般先从遥感图像中提取图像特征，如纹理特征、光谱特征等，再通过分类器和设计优化算法进行标签分类判别。由于传统的人工特征对光照变化不敏感，难以捕捉复杂信息，相比之下，深度学习通过自动学习图像中的层次化特征表示能够克服传统方法的弊端，具有更强的特征捕捉能力。然而，基于深度学习的图像分类算法对数据敏感度高，通常需要获取大量的有标记的数据集进行训练，这类数据标注工作受到标注者主观意识等的影响，在标注过程中难以避免出现错标和漏标的现象，从而导致噪声标签，使用噪声标签训练多标签遥感图像分类模型将极大的影响模型的泛化能力，所以在噪声的干扰下，现有的基于深度学习的多标签分类方法中多标签遥感图像分类模型的精度及泛化能力在很大程度上受到噪声标签的影响并且也难以训练出鲁棒性高的多标签遥感图像分类模型，导致多标签分类结果不准
技术实现思路
1、本申请的目的是提供一种遥感图像多标签分类方法、装置、设备、介质及产品，可提高多标签遥感图像分类模型的精度、泛化能力和鲁棒性，进而提高多标签分类结果的准确性。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种遥感图像多标签分类方法，包括：
4、获取训练样本集合，所述训练样本集合包括多个训练样本，每个训练样本包括遥感图像和所述遥感图像的标签向量；遥感图像的标签向量为根据表示遥感图像类别的干净标签和噪声标签得到的；
5、对于所述训练样本集合中任意一个训练样本中的遥感图像，采用弱变换和强变换分别对所述遥感图像进行处理，得到所述遥感图像对应的弱变换图像和强变换图像；
6、在当前训练次数下，将所述遥感图像对应的弱变换图像输入上一训练次数下样本模型的第一分支得到当前训练次数下第一分支中的分类器的输出向量和隐含特征；根据当前训练次数下第一分支中的分类器的输出向量得到当前训练次数下所述遥感图像对应的弱变换图像的预测标签向量；所述样本模型包括：并行设置的第一分支和第二分支；第一分支和第二分支均包括多标签遥感图像分类模型和多层感知机；所述多标签遥感图像分类模型包括依次连接的特征编码器和分类器；第一分支中的多层感知机与第一分支中的特征编码器的输出端连接；第二分支中的多层感知机与第二分支中的特征编码器的输出端连接；
7、将所述遥感图像对应的强变换图像输入上一训练次数下样本模型的第二分支得到当前训练次数下第二分支中的分类器的输出向量和隐含特征；根据当前训练次数下第二分支中的分类器的输出向量得到当前训练次数下所述遥感图像对应的强变换图像的预测标签向量；
8、根据当前训练次数下第一分支中的分类器的输出向量和当前训练次数下第二分支中的分类器的输出向量对所述遥感图像的标签向量进行矫正得到当前训练次数下所述遥感图像矫正后的标签向量；
9、根据当前训练次数下所述训练样本集合中各遥感图像矫正后的标签向量、当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的预测标签向量和隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的预测标签向量和隐含特征计算当前训练次数下损失函数的值；
10、根据当前训练次数下损失函数的值对上一训练次数下样本模型进行训练得到当前训练次数下样本模型，并判断是否达到设定训练次数，若没有达到设定训练次数，则进入下一训练次数，直到达到设定训练次数，得到训练好的样本模型，采用训练好的样本模型中第一分支或者第二分支中的多标签遥感图像分类模型对目标遥感图像进行多标签分类。
11、第二方面，本申请提供了一种遥感图像多标签分类装置，包括：
12、获取模块，用于获取训练样本集合，所述训练样本集合包括多个训练样本，每个训练样本包括遥感图像和所述遥感图像的标签向量；遥感图像的标签向量为根据表示遥感图像类别的干净标签和噪声标签得到的；
13、数据增强模块，用于对于所述训练样本集合中任意一个训练样本中的遥感图像，采用弱变换和强变换分别对所述遥感图像进行处理，得到所述遥感图像对应的弱变换图像和强变换图像；
14、第一分支计算模块，用于在当前训练次数下，将所述遥感图像对应的弱变换图像输入上一训练次数下样本模型的第一分支得到当前训练次数下第一分支中的分类器的输出向量和隐含特征；根据当前训练次数下第一分支中的分类器的输出向量得到当前训练次数下所述遥感图像对应的弱变换图像的预测标签向量；所述样本模型包括：并行设置的第一分支和第二分支；第一分支和第二分支均包括多标签遥感图像分类模型和多层感知机；所述多标签遥感图像分类模型包括依次连接的特征编码器和分类器；第一分支中的多层感知机与第一分支中的特征编码器的输出端连接；第二分支中的多层感知机与第二分支中的特征编码器的输出端连接；
15、第二分支计算模块，用于将所述遥感图像对应的强变换图像输入上一训练次数下样本模型的第二分支得到当前训练次数下第二分支中的分类器的输出向量和隐含特征；根据当前训练次数下第二分支中的分类器的输出向量得到当前训练次数下所述遥感图像对应的强变换图像的预测标签向量；
16、矫正模块，用于根据当前训练次数下第一分支中的分类器的输出向量和当前训练次数下第二分支中的分类器的输出向量对所述遥感图像的标签向量进行矫正得到当前训练次数下所述遥感图像矫正后的标签向量；
17、损失函数计算模块，用于根据当前训练次数下所述训练样本集合中各遥感图像矫正后的标签向量、当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的预测标签向量和隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的预测标签向量和隐含特征计算当前训练次数下损失函数的值；
18、训练模块，用于根据当前训练次数下损失函数的值对上一训练次数下样本模型进行训练得到当前训练次数下样本模型，并判断是否达到设定训练次数，若没有达到设定训练次数，则进入下一训练次数，直到达到设定训练次数，得到训练好的样本模型，采用训练好的样本模型中第一分支或者第二分支中的多标签遥感图像分类模型对目标遥感图像进行多标签分类。
19、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述本文档来自技高网...
【技术保护点】
1.一种遥感图像多标签分类方法，其特征在于，所述遥感图像多标签分类方法包括：
2.根据权利要求1所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下第一分支中的分类器的输出向量和当前训练次数下第二分支中的分类器的输出向量对所述遥感图像的标签向量进行矫正得到当前训练次数下所述遥感图像矫正后的标签向量，具体包括：
3.根据权利要求1所述的遥感图像多标签分类方法，其特征在于，根据当前训练次数下所述训练样本集合中各遥感图像矫正后的标签向量、当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的预测标签向量和隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的预测标签向量和隐含特征计算当前训练次数下损失函数的值，具体包括：
4.根据权利要求3所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的隐含特征，计算当前训练次数下内部一致性函数值，具体为：
5.根据权利要求3所述的遥感图
6.根据权利要求3所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下所述训练样本集合中各遥感图像矫正后的标签向量、当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的预测标签向量和当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的预测标签向量计算当前训练次数下有监督损失函数值，具体为：
7.一种遥感图像多标签分类装置，其特征在于，所述遥感图像多标签分类装置包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的遥感图像多标签分类方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的遥感图像多标签分类方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的遥感图像多标签分类方法。
...【技术特征摘要】
1.一种遥感图像多标签分类方法，其特征在于，所述遥感图像多标签分类方法包括：
2.根据权利要求1所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下第一分支中的分类器的输出向量和当前训练次数下第二分支中的分类器的输出向量对所述遥感图像的标签向量进行矫正得到当前训练次数下所述遥感图像矫正后的标签向量，具体包括：
3.根据权利要求1所述的遥感图像多标签分类方法，其特征在于，根据当前训练次数下所述训练样本集合中各遥感图像矫正后的标签向量、当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的预测标签向量和隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的预测标签向量和隐含特征计算当前训练次数下损失函数的值，具体包括：
4.根据权利要求3所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图像的隐含特征以及当前训练次数下所述训练样本集合中各遥感图像对应的强变换图像的隐含特征，计算当前训练次数下内部一致性函数值，具体为：
5.根据权利要求3所述的遥感图像多标签分类方法，其特征在于，所述根据当前训练次数下所述训练样本集合中各遥感图像对应的弱变换图...
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。