CN112712049A - 一种小样本条件下的卫星影像舰船型号识别方法 - Google Patents

一种小样本条件下的卫星影像舰船型号识别方法 Download PDF

Info

Publication number
CN112712049A
CN112712049A CN202110031879.6A CN202110031879A CN112712049A CN 112712049 A CN112712049 A CN 112712049A CN 202110031879 A CN202110031879 A CN 202110031879A CN 112712049 A CN112712049 A CN 112712049A
Authority
CN
China
Prior art keywords
ship
sample
samples
image
remote sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110031879.6A
Other languages
English (en)
Other versions
CN112712049B (zh
Inventor
喻金桃
蒋丽婷
张志超
张可
刘忠麟
童宇翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202110031879.6A priority Critical patent/CN112712049B/zh
Publication of CN112712049A publication Critical patent/CN112712049A/zh
Application granted granted Critical
Publication of CN112712049B publication Critical patent/CN112712049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种小样本条件下的卫星影像舰船型号识别方法，包括：获取目标区域待识别的舰船遥感图像，并进行预处理；将经预处理后的舰船遥感图像输入训练后的一个少样本学习分类器和C个SVM分类器；通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号。其中，该一个少样本学习分类器和C个SVM分类器，基于度量学习技术，使用度量学习来衡量待识别影像与小样本支持集中不同类别目标间的距离信息，提升小样本条件下数据特征的抽取和表达能力，提高小样本条件下目标识别的精度。另一方面，采用集成学习方法，结合经典的机器学习技术，设计集成策略，实现小样本条件下的舰船目标型号稳定识别，具备多种舰船目标型号识别能力。

Description

一种小样本条件下的卫星影像舰船型号识别方法
技术领域
本发明属于图像处理技术领域，特别涉及一种小样本条件下的卫星影像舰船型号识别方法。
背景技术
近年来，随着航空航天技术的不断发展，卫星影像获取的手段日趋成熟，影像的分辨率，包括时间分辨率、空间分辨率、辐射分辨率和光谱分辨率正在不断提高。目前，卫星影像已突破数据获取的瓶颈，正在走向全面应用的新阶段，为海洋目标的提取奠定了重要的数据基础。海路运输作为目前最重要的运输方式之一，那么，对舰船目标和港口区域等海上目标的检测和识别在军用和民用方面都有着非常重要的作用。特别是在军事领域，通过对重点港口和海域的舰船进行检测、监视和识别，确定舰船的型号、种类、位置等重要信息，便于海战场环境态势的分析，从而掌握对方的海上作战实力，评估战时海上打击效果，形成海上作战情报等，为海战场决策支持提供依据。在民用方面，对特定港口和区域进行监控，做到精确打击各个海域存在的非法捕捞、走私和非法进入领海等海上管制问题，实时监控港口的舰船流动情况，更有效的实施海面救援。
目前，目标类型识别算法主要包括机器学习方法和基于神经网络的深度学习方法。
(1)基于机器学习的方法，该类方法的基本思路是首先用特征提取算法提取特征，获取特征向量，然后选择分类器进行训练，最后利用训练好的分类器对目标进行分类。
(2)基于神经网络的深度学习方法，该类方法将神经网络应用于图像分类识别中，给神经网络提供可供训练的目标图像、对应标签以及深度学习网络模型参数，神经网络模型可以自动完成特征提取、目标分类识别的功能。但是上述现有目标类型识别的不足主要包括：
(1)机器学习算法在目标类型较少，待识别的目标特征、结构简单的情况下有较好的效果，然而对于类别数量较多或者特征、结构相对复杂多样的目标，对分类器的训练和构建要求较高，且已经训练好的分类器分类效果也比较差。
(2)基于神经网络的深度学习算法在有大量样本数据条件下进行模型的训练，样本数据集中包含了丰富的光照、颜色、纹理、形状等不同环境下的目标图像，因此，在光照、颜色、纹理、形状等方面具有较好的鲁棒性。但是，这类方法对样本数量的多少以及样本类型的多样性依赖程度很高。
(3)实际应用中，一般的遥感图像检测的目标很难构建拥有大量样本的数据集，同时基于神经网络的深度学习网络框架构架比较复杂。另外，虽然深度学习在图像识别领域取得了巨大成功，但深度学习模型训练需要海量标记样本，由于遥感影像数据样本缺乏、数据标注成本较高，往往限制了新类型目标识别的可扩展性。
发明内容
本发明的主要目的在于提供一种至少部分解决上述技术问题的小样本条件下的卫星影像舰船型号识别方法，可解决上述针对目前舰船目标型号识别存在的训练样本数据少、类型识别准确率不高等问题。
为实现上述目的，本发明采取的技术方案为：
本发明实施例提供一种小样本条件下的卫星影像舰船型号识别方法，包括：
获取目标区域待识别的舰船遥感图像，并进行预处理；
将经预处理后的舰船遥感图像输入训练后的一个少样本学习分类器和C个SVM分类器；
通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号。
进一步地，获取目标区域待识别的舰船遥感图像，并进行预处理，包括：
通过遥感传感器获取目标区域待识别的舰船遥感图像，并对所述舰船遥感图像进行辐射定标、大气校正、几何校正和图像融合处理。
进一步地，一个少样本学习分类器包括嵌入模块和关系模块；
所述嵌入模块将输入空间映射到所述关系模块，所述关系模块通过相似性度量确定类别是否匹配。
进一步地，所述嵌入模块包括4个卷积块，每个卷积块后还包含一个2×2的最大池化层；每个卷积块包含64个3×3的卷积核、批归一化和线性整流函数；
所述关系模块包括3个卷积块和2个全连接层；每个卷积块后还包含一个2×2的最大池化层；每个卷积块包含64个3×3的卷积核、批归一化和线性整流函数；其中，第一个全连接层激活函数采用ReLU函数，第二个全连接层激活函数采用Sigmoid函数。
进一步地，一个少样本学习分类器的训练过程如下：
将数据分为训练集、支持集和测试集；所述数据为小样本数量的舰船遥感图像；测试过程中，将测试集与支持集对比，通过度量两者相似度实现对测试集数据类型的识别；
假设所述训练集包含C类样本，所述训练集中每个样本x分配一个类别标签y；遍历所述C类样本，从中依次抽取a个类别，每个类别随机抽取b个样本作为样本集S；
在C类样本中，从a个类别中其他剩余样本中随机抽取n个样本组成查询集Q；
利用训练集对网络进行元学习，将所述样本集S中a种类别的样本xi和查询集Q中样本xj输入嵌入模块，获得对应的特征图
Figure BDA0002892700540000031
和
Figure BDA0002892700540000032
对特征图
Figure BDA0002892700540000041
和
Figure BDA0002892700540000042
进行通道连接，输入关系模块，得到a个关联得分ri,j；
采用均方误差来回归样本关联得分：完全匹配相似度为1，不匹配相似度为0。
进一步地，所述C个SVM分类器的核函数为高斯径向基函数，定义如下：
Figure BDA0002892700540000043
其中，x，y为输入特征；σ为函数的宽度参数。
进一步地，所述C个SVM分类器的训练过程如下：
构建C个一对多分类器，对应于C类舰船型号，将其中一种型号作为一类，剩余C-1类舰船合并为另一类；训练过程包括：
S21、从舰船样本中选择第1类作为正样本，其余类别为负样本，训练得到SVM分类器1，用来识别第1类舰船；
S22、从舰船样本中选择第2类作为正样本，其余类别为负样本，训练得到SVM分类器2，用来识别第2类舰船；
S23、重复以上步骤S21和S22，训练出C个SVM分类器。
进一步地，通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号，包括：
S31、使用一个少样本学习分类器对待识别的舰船遥感图像进行预测，得到舰船型号的分类结果k；
S32、采用步骤S31所述分类结果k对应的SVM分类器k进行二分类，若两者分类结果一致，则确定该分类结果k为最终舰船型号；
S33、若所述步骤S31和S32的分类结果不一致，则使用剩余的C-1个SVM分类器对所述待识别的舰船遥感图像进行分类，选取C+1个分类器分类得分最高的结果作为最终的舰船型号。
与现有技术相比，本发明具有如下有益效果：
本发明提供的一种小样本条件下的卫星影像舰船型号识别方法，包括：获取目标区域待识别的舰船遥感图像，并进行预处理；将经预处理后的舰船遥感图像输入训练后的一个少样本学习分类器和C个SVM分类器；通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号。其中，该一个少样本学习分类器和C个SVM分类器，基于度量学习技术，使用度量学习来衡量待识别影像与小样本支持集中不同类别目标间的距离信息，提升小样本条件下数据特征的抽取和表达能力，提高小样本条件下目标识别的精度。另一方面，采用集成学习方法，结合经典的机器学习技术，设计集成策略，实现小样本条件下的舰船目标型号稳定识别，具备多种舰船目标型号识别能力。
附图说明
图1为本发明实施例提供的小样本条件下的卫星影像舰船型号识别方法流程图；
图2为本发明实施例提供的小样本条件下的卫星影像舰船型号识别示意图；
图3为本发明实施例提供的基于度量学习的目标识别示意图；
图4为本发明实施例提供的少样本学习分类器网络结构图；
图5为超平面分割示意图；
图6为袋装法示意图；
图7为本发明实施例提供的分类器集成策略流程图；
图8为舰船识别结果示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种小样本条件下的卫星影像舰船型号识别方法，参照图1所示，该方法包括：
S10、获取目标区域待识别的舰船遥感图像，并进行预处理；
S20、将经预处理后的舰船遥感图像输入训练后的一个少样本学习分类器和C个SVM分类器；
S30、通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号。
其中，步骤S10中对获取遥感图像的方式不作限定，可是航空像片和卫星相片。比如可通过无人机搭载成像设备获取目标区域的遥感图像。获取的遥感图像需要进行预处理，该遥感图像的预处理主要包括辐射定标、大气校正、正射校正、图像配准和图像融合。
(1)辐射定标
比如卫星传感器获取的原始数据记录的是地物的灰度值，是一个无量纲的整数值，值的大小受卫星传感器、地物和大气等各种因素的影响。使用遥感影像进行各种生产应用的第一步首先要进行辐射定标，即将原始图像的灰度值转换为表观反射率。
(2)大气校正
辐射定标之后的表观反射率只是消除了传感器本身的误差，仍然不是真实的地表反射率。大气校正将表观反射率消除了大气的散射、吸收和反射引起的误差，得到地表反射率，地表反射率才是真实的地物的反射率。
(3)几何校正
本发明实施例中通过一系列的现有技术中数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
(4)图像融合
遥感图像融合是将多源遥感数据在统一的地理坐标系中采用一定算法生成一组新的信息或合成图像的过程。遥感图像融合将多种遥感平台、多时相遥感数据之问以及遥感数据与非遥感数据之间的信息进行组合匹配、信息补充，融合后的数据更有利于综合分析。本实施例中为了充分的利用多光谱和全色图像的不同特征，有必要选择合适的融合算法将多光谱和全色图像进行融合。基于传统融合方法(PCA、IHS、GS)的对比，GS融合方法能够更好的保留原始光谱特征，因此为提高遥感影像的分辨率，利用GS融合方法将多光谱数据和全色影像融合为更高分辨率的数据。
本实施例中，该方法使用集成学习思想，分别采用基于度量学习的目标识别技术和支持向量机(Support Vector Machine，SVM)训练一个少样本学习(Few-Shot Learning，FSL)分类器和C(C为类别数)个SVM分类器，设计集成策略，获取多模型融合的最终识别结果，其识别简要流程如图2所示：先对舰船遥感影像进行预处理，再分别采用不同分类器对舰船型号进行识别，最后通过集成策略确定最终舰船型号。
下面对步骤S20和S30进行详细说明：
步骤S20中的一个少样本学习分类器：
在小样本条件下进行有监督学习，容易造成过度拟合问题，采用数据扩充和正则化技术能有所缓解，但并不能解决问题。受元学习启发，本发明实施例提出一种基于度量学习的目标识别技术，利用已经学习到的识别能力(也就是元知识)，通过元学习的方式来让神经网络学会比较这个元知识能力，从而实现对新物体的识别。具体来说就是学习一个嵌入模块，将输入空间映射到关系模块，在关系模块中通过相似性度量确定类别是否匹配。参照图3所示，包括：嵌入模块(embedding module)和关系模块(Relation module)。
(1)数据集定义
本发明实施例将数据分为训练集、支持集和测试集，其中支持集作为对比学习的样例，它拥有和测试数据一样的标签。在测试过程中，将测试数据与支持集数据对比，通过度量两者相似度来实现对测试数据类型的识别。假定训练集包含C类样本，为了实现对网络的训练，为训练集中每个样本x分配一个类别标签y，在训练迭代中，遍历C类样本，比如从中依次抽取5个类别，每个类别随机抽取5个样本作为样本集S，其定义见公式(1)。其中m为样本数，i表示样本集中第i个样本。并从这5类其他剩余样本中随机抽取n个样本组成查询集Q，其定义见公式(2)，其中j表示查询集中第j个样本。
Figure BDA0002892700540000081
Figure BDA0002892700540000082
(2)网络模型
该模型由嵌入模块和关系模块的2部分组成，嵌入模块
Figure BDA0002892700540000091
(embedding module)用来提取每一张图片的特征信息，关系模块gφ(relation module)用来计算两个图像的相似度，其测试过程如图3所示。对于5个不同类别，每个类别有5个带标签样本的支持集，可定义这种少样本学习问题为5-way5-shot。在训练时，利用训练集来对网络进行元学习，首先将样本集S中5种类别的样本xi和查询集Q中样本xj送入嵌入模块
Figure BDA0002892700540000092
分别获得两者的特征图
Figure BDA0002892700540000093
和
Figure BDA0002892700540000094
通过运算符C(·,·)对特征进行通道连接(featurn mapsconcatenation)，再送入到关系模块gφ得到5个关联得分ri,j(relation score)，通过对比5个关联得分确定最终分类结果，上述过程用公式表示如下：
Figure BDA0002892700540000095
其中，ri,j代表样本表示xi和xj之间的关联得，分取值范围为0-1，运算符C(·,·)表示按照通道连接。
在训练过程中，依次从样本集S中选取了5个类别，每个类别随机选取了5个样本，通过嵌入模块得到了25个特征图，分别将每个类别的5个特征图进行元素求和，形成一个特征图，并将它与查询样本特征图连接，因此对于一个查询样本xj始终得到5个关联得分。采用均方误差(mean-square error,MSE)来回归样本关联得分：完全匹配相似度为1，不匹配相似度为0，目标函数定义如下：
Figure BDA0002892700540000096
其中，yi代表样本集样本的类别标签，yj代表查询样本的类别标签，m和n分别代表样本集S和查询集Q样本数；
Figure BDA0002892700540000097
代表样本集空间，φ代表查询集空间。
(3)网络结构
该关系网络具体结构如图4所示。嵌入模块利用4个卷积块实现，每个卷积块包含64个3x3的卷积核(filter)、批归一化(Batch Normalization，BN)和线性整流函数(Rectified Linear Unit,ReLU)，在每个卷积块后还包含一个2x2的最大池化层(maxpooling)，目的是需要在关系模块中为进一步的卷积层提供输出特征映射。
关系模块由3个卷积块和两个全连接层组成，每一个卷积块同样是经过64个卷积核的3x3卷积，然后经过批归一化，ReLU非线性层和最大池化层。最后一个最大池化层输出大小为64，两个全连接层输出大小分别是8和1。全连接层的激活函数采用ReLU，但最后一层全连接层是采用Sigmoid函数，Sigmoid函数可以将一个实数映射到(0,1)区间，生成合理的关系分数范围。
步骤S20中的C个SVM分类器，为支持向量机模型：
统计学习理论是一种专门研究小样本情况下机器学习规律的理论，建立在一套坚实的理论基础之上的。支持向量机(Support Vector Machine，SVM)就是在这一理论基础上发展的一种新的通用学习方法，根据有限样本信息在模型复杂性和学习能力之间寻求折衷，以获得好的泛化能力的一种机器学习方法，它能够较好的解决小样本学习问题。
1)支持向量机原理
支持向量机是从线性可分情况下的最优分类面发展而来的，基本思想可用图5的两维情况说明。图中，方格和圆圈分别代表两类样本，H为分类线，H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线,它们之间的距离叫做分类间隔(margin)。在分类过程中，离超平面越远越安全，而易误分的点往往是离超平面很近的点，所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大，这使得SVM分类器的结果不仅在训练集上得到优化，而且在整个样本集上的风险也拥有上界。因此二分类问题最终可以转化成一个求解超平面的二次规划问题。
超平面分类能力有限，对于线性不可分问题，支持向量机引入分离曲面，将低维的输入空间数据通过非线性映射函数映射到高维属性空间,从而把分类问题转化到高维属性空间进行，采用适当满足条件的核函数可以将非线性转化为线性分类。
2)核函数
核函数(Kernel Function，KF)可以将高维空间的内积运算转化为低维输入空间的核函数计算，从而巧妙地解决了在高维特征空间中计算的“维数灾难”等问题，可以大大的降低计算量。高斯径向基((Gaussian radial basis function,RBF))核函数的分类识别能力不低于高阶多项式核函数和Sigmoid核函数，且能够把原始特征映射到无穷维，因此本发明使用了RBF核函数，该函数定义如下：
Figure BDA0002892700540000111
其中，x，y为输入特征；σ为函数的宽度参数。
3)基于支持向量机的舰船分类
支持向量机通常是针对一对一的二分类问题，为了实现对多种舰船型号识别，本发明实施例构建多个一对多分类器，即对于C类舰船型号，将其中一种型号作为一类，剩余C-1类舰船合并为另一类，具体实现如下：
A)从舰船样本中选择第1类作为正样本，其余类别为负样本，训练得到SVM分类器1，用来识别第1类舰船；
B)从舰船样本中选择第2类作为正样本，其余类别为负样本，训练得到SVM分类器2，用来识别第2类舰船；
C)重复以上步骤，训练出C个SVM分类器。
当使用C个SVM分类器对一个样本进行测试时，该样本可能会被分为多类，也可能不属于任何类，因此本发明将集成学习方法融合FSL分类器和SVM分类器得到最终结果。
步骤S30中集成策略，采用集成学习方法，结合经典的机器学习技术，将经典机器学习技术分类识别结果辅助基于度量学习的深度学习目标识别结果，提升小样本条件下舰船目标类型识别的稳定性。
在深度学习实际应用中，未必能得到一个理想的模型，但如果有多个弱监督模型，在进行分类时，即使某个模型预测错误，其他模型也能纠正分类，相对于单一学习器，它集合多个模型学习能力，能有效提升分类器的分类精度和泛化能力。这种思想称为集成学习(ensemble Learning)，被广泛应用于分类和回归问题。本发明则是采用集成学习方法，通过训练一个FSL分类器和C个SVM分类器来完成舰船型号识别任务。
(一)分类器训练
集成学习将几种机器学习技术组合成一个预测模型，以达到减小方差、偏差或改进预测的效果。本发明采用减小方差的袋装法(bootstrap aggregating，Bagging)，原理是通过有放回抽样得到多个训练集，通过对多个样本方差进行平均达到减小方差效果。其实现步骤如图6所示：
A)每轮从原始训练集中随机抽取n个样本作为一个子训练集，有放回地进行m轮随机抽样，得到m个相互独立的训练集(训练集中某些样本可能被多次抽中)；
B)每次使用一个训练集训练得到一个模型，m个训练集分别训练得到m个基模型；
C)使用m个模型分别对测试集进行预测，依据问题种类采用不同方式综合各模型预测结果，得到最终结果。
使用袋装法通过降低基分类器的方差，改善了泛化误差，其性能依赖于基分类器的稳定性；如果基分类器不稳定，袋装法有助于降低训练数据的随机波动导致的误差；如果基分类器稳定，则集成分类器的误差主要由基分类器的偏倚引起，但由于每个样本被抽中概率相同，因此袋装法并不侧重数据集中任何特定类别。
(二)集成策略
本发明针对遥感影像舰船识别问题，采用少样本学习方法和支持向量机来实现C类舰船型号识别，为了进一步提高分类准确率和稳定性，采用集成学习方法训练分类器，来避免单一模型预测错误。本发明采用Bagging集成学习法将训练集有放回随机抽样分为C+1份，各自使用不同的优化策略和训练参数，分别训练了1个FSL分类器和C个SVM分类器。
对于训练得到的多个模型，通常采用相对多数投票法，考虑到FSL是多分类器，而SVM是二分类器，两者权重不同，本发明采用改进后的集成策略，该集成策略流程如图7所示，具体步骤如下：
A)使用FSL分类器对待识别的舰船遥感图像进行预测，得到舰船型号；
B)采用步骤A分类结果k对应的SVM分类器k进行二分类，若两者结果一致，则该结果为最终舰船型号。
C)若步骤A、B结果不一致，使用剩余C-1个SVM分类器对样本进行分类，选取C+1个分类器分类得分最高的结果作为最终舰船型号。
本发明提出一种在少样本条件下，基于度量学习、支持向量机、集成学习的卫星影像舰船型号识别方法，能够准确识别多种舰船型号，并采用公开数据集HRSC2016对其有效性进行验证。该数据集包含15类舰船型号，共计1000张图片，每一类约60张图片，按照4:1的比例划分训练集和测试集，使用测试集进行验证，最后得到15类舰船识别准确率为91％，分类效果如图8所示，每张小图上为其预测标签，0代表非舰船类别。
本发明提供的一种适用于多种尺度的舰船目标定位检测方法：
(1)其中，一个少样本学习分类器和C个SVM分类器，相当于设计了一种浅层特征提取和特征判别网络，使用度量学习来衡量待识别影像与小样本支持集中不同类别目标间的距离信息，提升小样本条件下数据特征的抽取和表达能力。
(2)结合经典的机器学习技术，设计集成策略，将经典机器学习技术分类识别结果辅助基于度量学习的深度学习目标识别结果，提升小样本条件下舰船目标类型识别的稳定性。
在小样本条件下进行有监督学习，容易造成过度拟合问题，采用数据扩充和正则化技术能有所缓解，但并不能解决问题。受元学习启发，本发明提出一种基于度量学习的目标识别技术，设计一种浅层特征提取和特征判别网络，使用度量学习来衡量待识别影像与小样本支持集中不同类别目标间的距离信息，利用已经学习到的识别能力(也就是元知识)，通过元学习的方式来让神经网络学会比较这个元知识能力，从而实现少量样本条件下的新物体识别。采用集成学习方法训练分类器，来避免单一模型预测错误。支持向量机根据有限样本信息在模型复杂性和学习能力之间寻求折衷，能够较好的解决小样本学习问题，基于度量学习和支持向量机分别训练分类器，设计集成策略，获取多模型融合识别结果，提升小样本条件下目标识别的准确率和稳定性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：包括：
获取目标区域待识别的舰船遥感图像，并进行预处理；
将经预处理后的舰船遥感图像输入训练后的一个少样本学习分类器和C个SVM分类器；
通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号。
2.根据权利要求1所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：获取目标区域待识别的舰船遥感图像，并进行预处理，包括：
通过遥感传感器获取目标区域待识别的舰船遥感图像，并对所述舰船遥感图像进行辐射定标、大气校正、几何校正和图像融合处理。
3.根据权利要求1所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：一个少样本学习分类器包括嵌入模块和关系模块；
所述嵌入模块将输入空间映射到所述关系模块，所述关系模块通过相似性度量确定类别是否匹配。
4.根据权利要求3所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：所述嵌入模块包括4个卷积块，每个卷积块后还包含一个2×2的最大池化层；每个卷积块包含64个3×3的卷积核、批归一化和线性整流函数；
所述关系模块包括3个卷积块和2个全连接层；每个卷积块后还包含一个2×2的最大池化层；每个卷积块包含64个3×3的卷积核、批归一化和线性整流函数；其中，第一个全连接层激活函数采用ReLU函数，第二个全连接层激活函数采用Sigmoid函数。
5.根据权利要求3所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：一个少样本学习分类器的训练过程如下：
将数据分为训练集、支持集和测试集；所述数据为小样本数量的舰船遥感图像；测试过程中，将测试集与支持集对比，通过度量两者相似度实现对测试集数据类型的识别；
假设所述训练集包含C类样本，所述训练集中每个样本x分配一个类别标签y；遍历所述C类样本，从中依次抽取a个类别，每个类别随机抽取b个样本作为样本集S；
在C类样本中，从a个类别中其他剩余样本中随机抽取n个样本组成查询集Q；
利用训练集对网络进行元学习，将所述样本集S中a种类别的样本xi和查询集Q中样本xj输入嵌入模块，获得对应的特征图
Figure FDA0002892700530000021
和
Figure FDA0002892700530000022
对特征图
Figure FDA0002892700530000023
和
Figure FDA0002892700530000024
进行通道连接，输入关系模块，得到a个关联得分ri,j；
采用均方误差来回归样本关联得分：完全匹配相似度为1，不匹配相似度为0。
6.根据权利要求5所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：所述C个SVM分类器的核函数为高斯径向基函数，定义如下：
Figure FDA0002892700530000025
其中，x，y为输入特征；σ为函数的宽度参数。
7.根据权利要求6所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：所述C个SVM分类器的训练过程如下：
构建C个一对多分类器，对应于C类舰船型号，将其中一种型号作为一类，剩余C-1类舰船合并为另一类；训练过程包括：
S21、从舰船样本中选择第1类作为正样本，其余类别为负样本，训练得到SVM分类器1，用来识别第1类舰船；
S22、从舰船样本中选择第2类作为正样本，其余类别为负样本，训练得到SVM分类器2，用来识别第2类舰船；
S23、重复以上步骤S21和S22，训练出C个SVM分类器。
8.根据权利要求7所述的一种小样本条件下的卫星影像舰船型号识别方法，其特征在于：通过集成策略，输出多模型融合的所述舰船遥感图像对应的舰船型号，包括：
S31、使用一个少样本学习分类器对待识别的舰船遥感图像进行预测，得到舰船型号的分类结果k；
S32、采用步骤S31所述分类结果k对应的SVM分类器k进行二分类，若两者分类结果一致，则确定该分类结果k为最终舰船型号；
S33、若所述步骤S31和S32的分类结果不一致，则使用剩余的C-1个SVM分类器对所述待识别的舰船遥感图像进行分类，选取C+1个分类器分类得分最高的结果作为最终的舰船型号。
CN202110031879.6A 2021-01-11 2021-01-11 一种小样本条件下的卫星影像舰船型号识别方法 Active CN112712049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110031879.6A CN112712049B (zh) 2021-01-11 2021-01-11 一种小样本条件下的卫星影像舰船型号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110031879.6A CN112712049B (zh) 2021-01-11 2021-01-11 一种小样本条件下的卫星影像舰船型号识别方法

Publications (2)

Publication Number Publication Date
CN112712049A true CN112712049A (zh) 2021-04-27
CN112712049B CN112712049B (zh) 2023-01-17

Family

ID=75548824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110031879.6A Active CN112712049B (zh) 2021-01-11 2021-01-11 一种小样本条件下的卫星影像舰船型号识别方法

Country Status (1)

Country Link
CN (1) CN112712049B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627356A (zh) * 2021-08-13 2021-11-09 上海无线电设备研究所 一种海面舰船智能识别方法
CN114447838A (zh) * 2022-01-21 2022-05-06 山东电工电气集团有限公司 一种基于小样本的高压电缆局部放电模式识别方法
CN114612708A (zh) * 2022-02-23 2022-06-10 广州市玄武无线科技股份有限公司 商品识别方法、装置、终端设备及计算机可读介质
CN114821252A (zh) * 2022-03-16 2022-07-29 电子科技大学 一种图像识别算法的自成长方法
CN114841257A (zh) * 2022-04-21 2022-08-02 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN115346133A (zh) * 2022-08-15 2022-11-15 航天神舟智慧系统技术有限公司 一种基于光学卫星影像的舰船检测方法与系统
CN115527269A (zh) * 2022-10-10 2022-12-27 动自由(北京)科技有限公司 一种人体姿态图像智能识别方法及系统
CN115661680A (zh) * 2022-11-15 2023-01-31 北京轨道未来空间科技有限公司 卫星遥感图像处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726660A (zh) * 2018-12-22 2019-05-07 浙江海洋大学 一种遥感图像船舶识别方法
CN110909643A (zh) * 2019-11-14 2020-03-24 北京航空航天大学 基于最近邻原型表示的遥感舰船图像小样本分类方法
CN111582106A (zh) * 2020-04-28 2020-08-25 中国科学院空天信息创新研究院 一种舰船检测方法及装置
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726660A (zh) * 2018-12-22 2019-05-07 浙江海洋大学 一种遥感图像船舶识别方法
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法
CN110909643A (zh) * 2019-11-14 2020-03-24 北京航空航天大学 基于最近邻原型表示的遥感舰船图像小样本分类方法
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN111582106A (zh) * 2020-04-28 2020-08-25 中国科学院空天信息创新研究院 一种舰船检测方法及装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627356A (zh) * 2021-08-13 2021-11-09 上海无线电设备研究所 一种海面舰船智能识别方法
CN113627356B (zh) * 2021-08-13 2024-02-23 上海无线电设备研究所 一种海面舰船智能识别方法
CN114447838A (zh) * 2022-01-21 2022-05-06 山东电工电气集团有限公司 一种基于小样本的高压电缆局部放电模式识别方法
CN114612708A (zh) * 2022-02-23 2022-06-10 广州市玄武无线科技股份有限公司 商品识别方法、装置、终端设备及计算机可读介质
CN114821252A (zh) * 2022-03-16 2022-07-29 电子科技大学 一种图像识别算法的自成长方法
CN114841257A (zh) * 2022-04-21 2022-08-02 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN114841257B (zh) * 2022-04-21 2023-09-22 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN115346133A (zh) * 2022-08-15 2022-11-15 航天神舟智慧系统技术有限公司 一种基于光学卫星影像的舰船检测方法与系统
CN115527269A (zh) * 2022-10-10 2022-12-27 动自由(北京)科技有限公司 一种人体姿态图像智能识别方法及系统
CN115527269B (zh) * 2022-10-10 2023-05-16 动自由(北京)科技有限公司 一种人体姿态图像智能识别方法及系统
CN115661680A (zh) * 2022-11-15 2023-01-31 北京轨道未来空间科技有限公司 卫星遥感图像处理方法

Also Published As

Publication number Publication date
CN112712049B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN112712049B (zh) 一种小样本条件下的卫星影像舰船型号识别方法
Liu et al. A deep convolutional coupling network for change detection based on heterogeneous optical and radar images
Distante et al. Handbook of image processing and computer vision
US10262205B2 (en) Method and system for collaborative multi-satellite remote sensing
Nath et al. A survey of image classification methods and techniques
Wilkinson Results and implications of a study of fifteen years of satellite image classification experiments
Jia et al. Feature mining for hyperspectral image classification
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
Carvalho et al. 3D object recognition and classification: a systematic literature review
Ye et al. A targeted change-detection procedure by combining change vector analysis and post-classification approach
Munir et al. Sstn: Self-supervised domain adaptation thermal object detection for autonomous driving
CN103591940B (zh) 评估高光谱图像的标记匹配置信度的方法
CN108428220A (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
Sun et al. Image target detection algorithm compression and pruning based on neural network
Seydi et al. Binary hyperspectral change detection based on 3D convolution deep learning
Liu et al. A novel deep framework for change detection of multi-source heterogeneous images
CN117689995A (zh) 一种基于单目图像的未知航天器层级检测方法
Byju Non-linear separation of classes using a kernel based fuzzy c-means (KFCM) approach
Zhang et al. A rough set decision tree based MLP-CNN for very high resolution remotely sensed image classification
Du Multiple instance choquet integral for multiresolution sensor fusion
Yadav et al. Cross-covariance based affinity for graphs
Belwalkar et al. Spectral-spatial classification of hyperspectral remote sensing images using variational autoencoder and convolution neural network
Qi et al. Deep object-centric pooling in convolutional neural network for remote sensing scene classification
Yasir Data driven multispectral image registration framework
Yang et al. Predicting the suitability for scene matching using SVM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant