CN116704363A - 一种深度学习模型、土地覆盖分类方法及装置 - Google Patents
一种深度学习模型、土地覆盖分类方法及装置 Download PDFInfo
- Publication number
- CN116704363A CN116704363A CN202310573394.9A CN202310573394A CN116704363A CN 116704363 A CN116704363 A CN 116704363A CN 202310573394 A CN202310573394 A CN 202310573394A CN 116704363 A CN116704363 A CN 116704363A
- Authority
- CN
- China
- Prior art keywords
- module
- target domain
- source domain
- data
- loss
- 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
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 127
- 230000003595 spectral effect Effects 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008485 antagonism Effects 0.000 claims abstract 3
- 238000013527 convolutional neural network Methods 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 19
- 230000009471 action Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种深度学习模型、土地覆盖分类方法及装置,涉及遥感信息技术领域,深度学习模型包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块;对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据,生成相似目标域数据和相似源域数据;对比学习模块用于处理源域数据、目标域数据、相似目标域数据和相似源域数据,获得源域光谱特征和目标域光谱特征;图卷积神经网络模块用于处理源域光谱特征和目标域光谱特征,得到土地覆盖分类信息;输出模块用于解码土地覆盖分类信息,得到土地覆盖分类结果。通过对抗学习模块、对比学习模块和图卷积神经网络模块的联合作用下,可以输出准确的土地覆盖分类结果。
Description
技术领域
本发明涉及遥感信息技术领域,具体而言,涉及一种深度学习模型、土地覆盖分类方法及装置。
背景技术
土地覆盖分类是指将卫星遥感图像按照其地表特征分为不同的类别,如水体、森林、农田等,土地覆盖分类是卫星遥感图像分析的重要任务之一,在环境监测、资源管理、城市规划等领域具有广泛的应用价值。
然而,由于土地覆盖分类涉及到大范围的地球表面,卫星遥感数据在不同的区域、不同时间上存在很大的差异,导致现有的土地覆盖分类模型在跨域跨时间分类问题上存在一定的局限性,训练好的土地覆盖分类模型对不同区域或不同时间的卫星遥感数据进行土地覆盖分类时,精度不够,不能提供正确的土地覆盖分类结果。
发明内容
本发明解决的问题是如何提高土地覆盖分类的精度,以提供正确的土地覆盖分类结果。
为解决上述问题,本发明提供一种深度学习模型、土地覆盖分类方法及装置。
第一方面,本发明提供了一种深度学习模型,包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块;
所述对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据,生成相似目标域数据和相似源域数据;
所述对比学习模块用于处理所述源域数据、所述目标域数据、所述相似目标域数据和所述相似源域数据,获得源域光谱特征和目标域光谱特征;
所述图卷积神经网络模块用于处理所述源域光谱特征和所述目标域光谱特征,得到土地覆盖分类信息;
所述输出模块用于解码所述土地覆盖分类信息,得到土地覆盖分类结果。
可选地,所述对抗学习模块包括源域生成单元、目标域生成单元、源域判别单元以及目标域判别单元,所述源域生成单元与所述目标域判别单元连接,所述目标域生成单元与所述源域判别单元连接;
所述源域生成单元用于根据所述源域数据生成所述相似目标域数据,并生成第一循环损失,进而根据所述第一循环损失,更新所述源域生成单元的权重;
所述目标域生成单元用于根据所述目标域数据生成所述相似源域数据,并生成第二循环损失,进而根据所述第二循环损失,更新所述目标域生成单元的权重;
所述源域判别单元用于判别所述相似源域数据和所述源域数据的正确性,并生成第一对抗损失,进而根据所述第一对抗损失,更新所述源域判别单元的权重;
所述目标域判别单元用于判别所述相似目标域数据和所述目标域数据的正确性,并生成第二对抗损失,进而根据所述第二对抗损失,更新所述目标域判别单元的权重。
可选地,所述源域判别单元和所述目标域判别单元均采用光谱空间模型,所述光谱空间模型包括光谱判别器和空间判别器;
所述光谱判别器用于在光谱角度判别正确性;
所述空间判别器用于在空间角度判别正确性。
可选地,所述对比学习模块包括第一编码器、第二编码器以及对比损失单元;
所述第一编码器用于提取所述源域数据的第一源域光谱子特征和所述相似目标域数据的第二源域光谱子特征,所述第一源域光谱子特征和所述第二源域光谱子特征融合为所述源域光谱特征;
所述第二编码器用于提取所述目标域数据的第一目标域光谱子特征和所述相似源域数据的第二目标域光谱子特征,所述第一目标域光谱子特征和所述第二目标域光谱子特征融合为所述目标域光谱特征;
所述对比损失单元用于获取所述第一编码器和所述第二编码器的对比损失,并根据所述对比损失更新所述第一编码器和所述第二编码器的权重,其中,所述第一编码器和所述第二编码器共享权重。
可选地,还包括邻接矩阵模块,所述邻接矩阵模块的输入端与所述对比学习模块的输出端连接,所述邻接矩阵模块的输出端与所述图卷积神经网络模块的输入端连接;
所述邻接矩阵模块用于根据所述源域光谱特征和所述目标域光谱特征,生成源域光谱邻接矩阵和目标域光谱邻接矩阵,并将所述源域光谱邻接矩阵和所述目标域光谱邻接矩阵传输到所述图卷积神经网络模块。
可选地,还包括空间特征模块,所述空间特征模块的输出端与所述邻接矩阵模块的输入端连接;
所述空间特征模块用于处理获取的土地DEM数据,提取所述土地DEM数据的空间特征;
所述邻接矩阵模块还用于将所述空间特征转化为空间邻接矩阵,并传输至所述图卷积神经网络模块。
可选地,还包括监督损失模块,所述监督损失模块与所述输出模块连接;
所述监督损失模块用于根据所述土地覆盖分类结果,获得监督损失,根据所述监督损失调整模型参数;
所述监督损失模块采用交叉熵损失函数计算监督损失,所述交叉熵损失函数如下公式一所示:
其中,L为所述监督损失,N为像素数量,M为类别数量,yic为符号函数,i为第i个像素,c为类别,pic为第i个像素属于类别c的预测概率。
可选地,所述对比学习模块采用孪生网络结构,所述孪生网络结构设有二阶相似度函数。
第二方面,本发明提供了一种土地覆盖分类方法,包括:
获取待测土地的遥感多光谱数据;
将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型,得到土地覆盖分类结果。
第三方面,本发明提供了一种土地覆盖分类装置,包括:
获取模块,用于获取待测土地的遥感多光谱数据;
分类模块,用于将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型,得到土地覆盖分类结果。
本发明的一种深度学习模型、土地覆盖分类方法及装置的有益效果是:通过对抗学习模块捕捉源域数据和目标域数据之间的关联特征,生成相似源域数据和相似目标域数据,充分利用了有标签的源域数据和无标签的目标域数据,为对比学习模块提取特征提供更好且有效的数据支持;基于相似源域数据和相似目标域数据,对比学习模块提取的源域光谱特征和目标域光谱特征更加具有关联相似性;再通过图卷积神经网络模块构建全局依赖关系,因为源域光谱特征和目标域光谱特征具有关联相似性,所以图卷积神经网络模块可以有效捕捉提取节点的全局信息,关联学习源域光谱特征和目标域光谱特征的节点特征和拓扑结构,使深度学习模型具有高鲁棒性和泛化能力来应对对不同区域或不同时间的卫星遥感数据,输出准确的土地覆盖分类信息,最后由输出模块解码土地覆盖分类信息,输出具有高辨识度且美观的土地覆盖分类结果。本发明的深度学习模型在对抗学习模块和对比学习模块的联合作用下,可以为图卷积神经网络模块提供具有关联相似性的源域光谱特征和目标域光谱特征,通过图卷积神经网络模块处理源域光谱特征和目标域光谱特征,提升了深度学习模型的鲁棒性和泛化能力,并通过输出模块输出准确且美观的土地覆盖分类结果,解决了因卫星遥感数据在不同的区域、不同时间上存在很大的差异问题造成的土地覆盖分类任务精度低的问题。
附图说明
图1为本发明实施例的一种深度学习模型的结构示意图;
图2为本发明一些实施例的一种深度学习模型的结构示意图;
图3为本发明实施例的土地覆盖分类方法的流程示意图;
图4为本发明实施例的土地覆盖分类装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为解决上述问题,如图1所示,本发明提供一种深度学习模型,包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块;
具体地,对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块顺次连接。
所述对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据,生成相似目标域数据和相似源域数据;
具体地,源域数据指带有标签的土地遥感多光谱场景数据,目标域数据指无标签的土地遥感多光谱场景数据,相似目标域数据指具有目标域风格特征的源域数据,相似源域数据指具有源域风格特征的目标域数据;
对抗学习模块采用对抗学习算法,对抗学习算法通过训练生成模型和判别模型来实现生成相似目标域数据和相似源域数据这一目的,生成模型负责生成伪造数据,即相似目标域数据和相似源域数据,将源域和目标域中的特征互相迁移,将源域的风格特征迁移到目标域中,将目标域的风格迁移到源域中,最后生成相似目标域数据和相似源域数据;判别模型负责判别真实数据和伪造数据,真实数据即源域数据以及目标域数据,通过生成模型和判别模型之间不断地对抗训练,充分有效地利用有标签的源域特征和无标签的目标域特征,最终生成的伪造数据足以和真实数据媲美,即生成的相似目标域数据和相似源域数据与源域数据以及目标域数据相比误差极小,极具相似性,再将相似目标域数据和相似源域数据传输到对比学习模块,为对比学习模块提供数据基础。
所述对比学习模块用于处理所述源域数据、所述目标域数据、所述相似目标域数据和所述相似源域数据,获得源域光谱特征和目标域光谱特征;
具体地,对比学习模块采用对比学习算法,对比学习算法通过学习将数据映射到一个低维向量空间,然后计算向量之间的相似度来衡量数据之间的相似度,捕捉数据之间通用的特征并提取出来,即通过源域数据和相似目标域数据提取出源域光谱特征,通过目标域数据和相似源域数据提取出目标域光谱特征,并将源域光谱特征和目标域光谱特征传输到图卷积神经网络模块;通过对比学习模块可以充分利用各个数据,提取出稳定有效的特征,提高模型的精度。
所述图卷积神经网络模块用于处理所述源域光谱特征和所述目标域光谱特征,得到土地覆盖分类信息;
具体地,图卷积神经网络模块采用图卷积神经网络算法,通过图卷积神经网络算法内部的结构捕获源域光谱特征和目标域光谱特征的全局上下文信息,捕获长距离的光谱和空间信息,构建全局依赖关系,学习节点特征和拓扑结构,充分考虑特征的结构信息,如类别之间的关系、样本之间的相似性等,找出不同的土地覆盖类型之间存在的层次关系和语义关系以及不同区域的同一种土地覆盖类型之间的相似性,利用上述的光谱和空间信息、结构信息、层次关系和语义关系等信息指导深度学习模块学习,最后进行层层线性拟合,输出土地覆盖分类信息。通过图卷积神经网络模块可以提高深度学习模型的精度,还可以提高深度学习模型的的鲁棒性和泛化能力。
所述输出模块用于解码所述土地覆盖分类信息,得到土地覆盖分类结果。
具体地,由于图卷积神经网络模块输出的土地覆盖分类信息为编码形式,不能直接得到土地覆盖分类结果,需要输出模块采用解码器对土地覆盖分类信息进行解码,并输出直观的土地覆盖分类结果。
示例性地,土地覆盖分类结果可以采用标签、文字、表格以及图像等多维形式表达每个区域各个类别的可能性,具体可采用其中的一种或几种联合。例如,在采用标签形式时,水体的标签可为1、选矿场的标签可为2、水田耕地标签可为3、林地标签可为4等等,并结合标签标注出可能性;在采用图像形式时,可根据不同土地覆盖类别在一张256*256的图像上以不同颜色标出,水体的RGB可为(0,191,255)、选矿场的RGB可为(240,230,140)、水田耕地的RGB可为(255,105,180)、林地的RGB可为(6,18,11),结合图像RGB标注出可能性,并联合标签、文字或表格等生成带有上述多维形式表达的土地覆盖分类结果。
本发明提供的深度学习模型通过对抗学习模块捕捉源域数据和目标域数据之间的关联特征,由对抗学习算法的生成模型和判别模型进行对抗训练,生成与源域数据和目标域数据相似的相似源域数据和相似目标域数据,充分利用了有标签的源域数据和无标签的目标域数据,为对比学习模块提取特征提供更好且有效的数据支持;基于相似源域数据和相似目标域数据,对比学习模块提取的源域光谱特征和目标域光谱特征更加具有关联相似性;再通过图卷积神经网络模块构建全局依赖关系,因为源域光谱特征和目标域光谱特征具有关联相似性,所以图卷积神经网络模块可以有效捕捉提取节点的全局信息,关联学习源域光谱特征和目标域光谱特征的节点特征和拓扑结构,捕获长距离的光谱和空间信息,构建全局依赖关系,学习节点特征和拓扑结构,充分考虑特征的结构信息,使深度学习模型具有高鲁棒性和泛化能力来应对对不同区域或不同时间的卫星遥感数据,输出准确的土地覆盖分类信息,最后由输出模块解码土地覆盖分类信息,输出具有多维表达形式的、高辨识度的且美观的土地覆盖分类结果。本发明的深度学习模型在对抗学习模块和对比学习模块的双重作用下,可以为图卷积神经网络模块提供具有高度关联相似性的源域光谱特征和目标域光谱特征,通过图卷积神经网络模块处理源域光谱特征和目标域光谱特征,提升了深度学习模型的鲁棒性和泛化能力,并通过输出模块输出准确且美观的土地覆盖分类结果,解决了因卫星遥感数据在不同的区域、不同时间上存在很大的差异问题造成的土地覆盖分类任务精度低的问题。
在一个实施例中,如图2所示,所述对抗学习模块包括源域生成单元、目标域生成单元、源域判别单元以及目标域判别单元,所述源域生成单元与所述目标域判别单元连接,所述目标域生成单元与所述源域判别单元连接;
所述源域生成单元用于根据所述源域数据生成所述相似目标域数据,并生成第一循环损失,进而根据所述第一循环损失,更新所述源域生成单元的权重;
所述目标域生成单元用于根据所述目标域数据生成所述相似源域数据,并生成第二循环损失,进而根据所述第二循环损失,更新所述目标域生成单元的权重;
所述源域判别单元用于判别所述相似源域数据和所述源域数据的正确性,并生成第一对抗损失,进而根据所述第一对抗损失,更新所述源域判别单元的权重;
所述目标域判别单元用于判别所述相似目标域数据和所述目标域数据的正确性,并生成第二对抗损失,进而根据所述第二对抗损失,更新所述目标域判别单元的权重。
具体地,对抗学习模块包括源域生成单元、目标域生成单元、与源域生成单元对应的目标域判别单元、与目标域生成单元对应源域判别单元,源域生成单元和目标域生成单元用于生成数据,目标域判别单元和源域判别单元则用于判断生成数据的正确性,形成对抗训练。第一循环损失和第二循环损失指源域生成单元和目标域生成单元生成数据造成的损失,通过设置第一循环损失和第二循环损失可以使源域生成单元与目标域生成单元保留输入数据的内容信息,更好地进行下一次生成数据任务,公式如下所示:
GT→S(GS→T(x))≈x;
GS→T(GT→S(y))≈y;
其中GT→S为目标域生成单元,GS→T为源域生成单元,x,y分别表示输入数据,输入数据x经GS→T生成相似目标域数据GS→T(x),GT→S根据相似目标域数据GS→T(x)生成的数据GT→S(GS→T(x))与输入数据x保持相同,输入数据y同理。
第一对抗损失和第二对抗损失指源域判别单元以及目标域判别单元输出的正确性造成的损失,通过第一对抗损失和第二对抗损失设置源域判别单元以及目标域判别单元的权重,可以让源域生成单元与目标域生成单元“欺骗”源域判别单元以及目标域判别单元,从而生成相似性更高的相似目标域数据和相似源域数据;通过源域生成单元的第一循环损失和目标域判别单元的第二对抗损失、目标域生成单元的第二循环损失和源域判别单元的第一对抗损失,实现对抗学习模块的循环对抗交替训练,不断修改源域生成单元和目标域生成单元的权重,以达到最小化对抗损失和循环损失的总和目的,获取最优的源域生成单元和目标域生成单元,最优的源域生成单元和目标域生成单元可以生成相似性最高的相似目标域数据和相似源域数据。本领域技术人员应该知道,在进行土地覆盖分类任务时,对于对抗学习模型中的源域生成单元、目标域生成单元、源域判别单元以及目标域判别单元,训练好后,在下次使用时不需要进行再次训练,可直接采用训练好的源域生成单元和目标域生成单元。
在一个实施例中,所述源域判别单元和所述目标域判别单元均采用光谱空间模型,所述光谱空间模型包括光谱判别器和空间判别器;
所述光谱判别器用于在光谱角度判别正确性;
所述空间判别器用于在空间角度判别正确性。
具体地,源域判别单元和目标域判别单元均采用光谱空间模型,光谱空间模型包括光谱判别器和空间判别器,光谱判别器用于在光谱角度上判别输入数据的正确性,并产生光谱损失,空间判别器用于在空间角度上判别数据的正确性,并产生空间损失;光谱损失和空间损失融合为对抗损失,即源域判别单元的光谱空间模型产生的光谱损失和空间损失融合为第一对抗损失,目标域判别单元的光谱空间模型产生的光谱损失和空间损失融合为第二对抗损失。通过光谱判别器可以解决因为仅有空间判别器造成的对抗学习模块生成的图像与真实图像在光谱上的异常问题,使生成的图像在光谱方向上更加真实,为后续对比学习模块可以提取更稳定有效的特征奠定了基础。
示例性地,在采用光谱判别器时,需要对输入数据进行处理,得到傅里叶功率谱一维表示,再由光谱判别器对傅里叶功率谱一维表示判断正确性,处理步骤如下:
通过通道注意力机制确定输入数据中各光谱的权重;
根据各光谱的权重将多光谱影像映射为灰度图;
计算灰度图的离散傅里叶变化,公式如下所示:
其中,k=0,…,M-1,l=0,…,N-1表示光谱的笛卡尔坐标系,m,n为像素在灰度图的位置,xgray表示灰度图,i为第i个样本。
从笛卡尔坐标系转换k、l为极坐标系r、θ以更好地表示不同频带的频率,公式如下所示:
θ=atan2(l,k);
其中,atan2为函数,通过沿着θ方向做方位平均,得到了傅里叶功率谱一维表示,公式如下所示:
傅里叶功率谱的一维表示能有效地突出源域数据或目标域数据和对抗学习模块生成的相似源域数据或相似目标域数据的频谱特征之间的差异,进而更好的进行对抗学习训练。
在一个实施例中,如图2所示,所述对比学习模块包括第一编码器、第二编码器以及对比损失单元;
所述第一编码器用于提取所述源域数据的第一源域光谱子特征和所述相似目标域数据的第二源域光谱子特征,所述第一源域光谱子特征和所述第二源域光谱子特征融合为所述源域光谱特征;
所述第二编码器用于提取所述目标域数据的第一目标域光谱子特征和所述相似源域数据的第二目标域光谱子特征,所述第一目标域光谱子特征和所述第二目标域光谱子特征融合为所述目标域光谱特征;
所述对比损失单元用于获取所述第一编码器和所述第二编码器的对比损失,并根据所述对比损失更新所述第一编码器和所述第二编码器的权重,其中,所述第一编码器和所述第二编码器共享权重。
具体地,第一编码器、第二编码器以及对比损失单元之间两两连接,第一编码器和第二编码器均包括一个骨干网络和一个投影MLP头,第一编码器和第二编码器提取特征后,对比损失单元通过其内部的预测MLP头对提取的特征变换,并构建一阶损失和二阶损失,将一阶损失和二阶损失融合为对比损失,根据对比损失更新第一编码器和第二编码器的权重系数,以使第一编码器和第二编码器可以提取出最稳定有效的特征。第一编码器和第二编码器共享权重,也就是第一编码器和第二编码器的各个参数完全相同。
更为具体地,对比损失单元对于第一编码器和第二编码器的损失计算方法和更新权重方法相同,但是由于第一编码器和第二编码器的输入数据和输出特征不同,所以对比损失单元通过第一编码器和第二编码器得出的对比损失数据不同。本实施例以第一编码器为例,对比损失单元对第一编码器输出的第一源域光谱子特征和第二源域光谱子特征进行变换,得到第一源域光谱变换子特征和第二源域光谱变换子特征,计算第一源域光谱变换子特征与第二源域光谱子特征之间的负余弦相似度以及第二源域光谱变换子特征与第一源域光谱子特征之间的负余弦相似度,负余弦相似度公式如下所示:
其中,p1为第一源域光谱变换子特征,z2为第二源域光谱子特征;p2为第二源域光谱变换子特征,z1为第一源域光谱子特征;
对比损失单元根据负余弦相似度构建一阶损失函数,一阶损失公式如下所示:
其中,stopgrad为停止梯度函数;
对比损失单元基于特征空间特性,构建二阶损失函数,公式如下所示:
其中,i为第i个样本,j为第j个样本,K是一个正整数,d2为二阶距离。
对比损失单元将一阶损失和二阶损失融合,得到对比损失,对比损失公式如下所示:
其中,α∈0,1表示对比损失的权重。
值得说明的是,对比损失单元对于第一编码器和第二编码器的损失计算方法和更新权重方法相同,即对比损失单元采用上述公式对第二编码器进行损失计算,区别仅为输入数据和输出数据不同,在此不过多赘述;但是由于第一编码器和第二编码器的输入数据和输出特征不同,所以对比损失单元通过第一编码器和第二编码器得出的对比损失数据不同,在对第一编码器和第二编码器进行训练更新时,基于对比损失单元通过第一编码器或第二编码器得出的对比损失数据,需同时对第一编码器和第二编码器进行更新,从而实现第一编码器和第二编码器共享权重,加快对第一编码器和第二编码器地训练。
通过对比损失更新所述第一编码器和所述第二编码器的权重,对相同内容不同风格数据地对比学习,即对源域数据、目标域数据、所述相似目标域数据和相似源域数据地对比学习,可以使训练好的第一编码器和第二编码器提取不同风格数据中相同的内容,减小受图像风格的干扰,可以有效解决因卫星遥感数据在不同的区域、不同时间上存在很大的差异问题造成的土地覆盖分类任务精度低的问题。
在一个实施例中,如图2所示,还包括邻接矩阵模块,所述邻接矩阵模块的输入端与所述对比学习模块的输出端连接,所述邻接矩阵模块的输出端与所述图卷积神经网络模块的输入端连接;
所述邻接矩阵模块用于根据所述源域光谱特征和所述目标域光谱特征,生成源域光谱邻接矩阵和目标域光谱邻接矩阵,并将所述源域光谱邻接矩阵和所述目标域光谱邻接矩阵传输到所述图卷积神经网络模块。
具体地,邻接矩阵模块采用K近邻算法生成源域光谱邻接矩阵和目标域光谱邻接矩阵后,将源域光谱邻接矩阵和目标域光谱邻接矩阵作为参数传输至图卷积神经网络模块,在邻接矩阵模块在生成源域光谱邻接矩阵和目标域光谱邻接矩阵前,需要将源域光谱特征和目标域光谱特征的结构转换为N个样本点形式,转换方法为:
源域光谱特征和目标域光谱特征的结构均为C×W×H,其中,C代表通道数,W代表特征宽度,H代表特征高度;
将源域光谱特征和目标域光谱特征变形为C×N,其中N=W×H,C×N为N个样本点;
邻接矩阵模块对N个样本点进行K近邻算法,得到源域光谱邻接矩阵和目标域光谱邻接矩阵,源域光谱邻接矩阵和目标域光谱邻接矩阵作为图卷积神经网络模块的参数辅助图卷积神经网络模块进行学习训练,源域光谱邻接矩阵和目标域光谱邻接矩阵结构均为N×N矩阵与单位矩阵的结合,源域光谱邻接矩阵和目标域光谱邻接矩阵公式均如下所示:
其中,A为N×N矩阵,IN为单位矩阵。N×N矩阵的每一行代表一个样本,该样本的k个近邻在对应行被标为1,对应行的其他非k近邻的样本被标为0。例如,N=4,k=1,有样本1,2,3,4。样本1的最近邻为3,则矩阵第一行为[0010];样本2的最近邻为4,则矩阵第二行为[0001]。
在一个实施例中,如图2所示,还包括空间特征模块,所述空间特征模块的输出端与所述邻接矩阵模块的输入端连接;
所述空间特征模块用于处理获取的土地DEM数据,提取所述土地DEM数据的空间特征;
所述邻接矩阵模块还用于将所述空间特征转化为空间邻接矩阵,并传输至所述图卷积神经网络模块。
具体地,空间特征模块对于土地DEM数据进行位置编码;
例如,若土地DEM数据尺寸为H'×W'×1,经过空间特征模块位置编码后尺寸为H'×W'×3,具体编码方式为:
第一层的每行的内容都相同,如第一行全为0,第二行全为第三行全为/>…,最后一行全为1;
第二层的每列的内容都相同,如第一列全为0,第二列全为第三列全为/>…,最后一列全为1;
第三层为原本土地DEM数据。
经位置编码后的土地DEM数据通过空间特征模块内的卷积神经网络投影单元进行投影,生成空间特征,并由邻接矩阵模块转化为空间邻接矩阵,将空间邻接矩阵作为参数传输至图卷积神经网络模块,图卷积神经网络模块接收了光谱特征和空间特征,在光谱方向和空间方向考虑数据的结构信息,学习土地覆盖类型之间的层次关系和语义关系等,从而指导深度学习模型适用各种因卫星遥感数据在不同的区域、不同时间上存在很大的差异,提高深度学习模型的鲁棒性和泛化能力。
示例性地,图卷积神经网络模块包括两组图卷积网络,每组图卷积网络具有三层图卷积层,一组图卷积网络以源域光谱邻接矩阵和目标域光谱邻接矩阵为参数,以源域光谱特征为输入数据,另一组图卷积网络以空间邻接矩阵为参数,以目标域光谱特征为输入数据,进行学习和分类,并线性拟合,输出源域光谱分类信息和目标域光谱分类信息,并将源域光谱分类信息和目标域光谱分类信息融合为土地覆盖分类信息。在将源域光谱特征和目标域光谱特征输入到图卷积神经网络模块前,需要将源域光谱特征和目标域光谱特征的结构转换为N个样本点形式,转换方法为:
源域光谱特征和目标域光谱特征的结构均为C×W×H,其中,C代表通道数,W代表特征宽度,H代表特征高度;
将源域光谱特征和目标域光谱特征变形为C×N,其中N=W×H,C×N为N个样本点。
在一个实施例中,如图2所示,还包括监督损失模块,所述监督损失模块与所述输出模块连接;
所述监督损失模块用于根据所述土地覆盖分类结果,获得监督损失,根据所述监督损失调整模型参数;
所述监督损失模块采用交叉熵损失函数计算监督损失,所述交叉熵损失函数如下公式一所示:
其中,L为所述监督损失,N为像素数量,M为类别数量,yic为符号函数,i为第i个像素,c为类别,pic为第i个像素属于类别c的预测概率。
具体地,监督损失模块用来计算深度学习模型输出的土地覆盖分类结果与实际真实值之间的监督损失,公式一中,yic为符号函数(0或1),如果第i个像素的真实类别为c时,yic取1;否则,取0。根据监督损失调整深度学习模型参数,训练深度学习模型更好地拟合数据,当监督损失越来越小时,说明深度学习模型输出的土地覆盖分类结果与实际真实值之间的差异越小,深度学习模型越精准。
在一个实施例中,所述对比学习模块采用孪生网络结构,所述孪生网络结构设有二阶相似度函数。
具体地,采用孪生网络结构更加适合训练类别不平衡任务,例如各种分类任务,可以提高模型的鲁棒性和泛化能力,更易于对比学习模块提取无标签的目标域数据的特征,且不需要更大的训练量,减小了训练难度,更节省了训练时间;对比学习模块的孪生网络结构设有二阶相似度函数,可以约束对比学习模块提取的特征接收梯度信息,避免对比学习模块得到崩溃解,保证了对比学习模块的稳定性,提高了聚类和图匹配的能力。
针对上述技术问题,如图3所示,本发明的一个实施例提供了一种土地覆盖分类方法,包括:
步骤S1,获取待测土地的遥感多光谱数据;
步骤S2,将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型,得到土地覆盖分类结果。
通过使用训练好的如上所述的深度学习模型对待测土地的遥感多光谱数据进行土地覆盖分类任务,可以得到精准土地覆盖分类结果,解决因不同区域或不同时间的卫星遥感数据进行土地覆盖分类时,精度不够,不能提供正确的土地覆盖分类结果问题。
如图4所示,本发明又一实施例提供的土地覆盖分类装置,包括:
获取模块,用于获取待测土地的遥感多光谱数据;
分类模块,用于将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型,得到土地覆盖分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种深度学习模型,其特征在于,包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块;
所述对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据,生成相似目标域数据和相似源域数据;
所述对比学习模块用于处理所述源域数据、所述目标域数据、所述相似目标域数据和所述相似源域数据,获得源域光谱特征和目标域光谱特征;
所述图卷积神经网络模块用于处理所述源域光谱特征和所述目标域光谱特征,得到土地覆盖分类信息;
所述输出模块用于解码所述土地覆盖分类信息,得到土地覆盖分类结果。
2.根据权利要求1所述的深度学习模型,其特征在于,所述对抗学习模块包括源域生成单元、目标域生成单元、源域判别单元以及目标域判别单元,所述源域生成单元与所述目标域判别单元连接,所述目标域生成单元与所述源域判别单元连接;
所述源域生成单元用于根据所述源域数据生成所述相似目标域数据,并生成第一循环损失,进而根据所述第一循环损失,更新所述源域生成单元的权重;
所述目标域生成单元用于根据所述目标域数据生成所述相似源域数据,并生成第二循环损失,进而根据所述第二循环损失,更新所述目标域生成单元的权重;
所述源域判别单元用于判别所述相似源域数据和所述源域数据的正确性,并生成第一对抗损失,进而根据所述第一对抗损失,更新所述源域判别单元的权重;
所述目标域判别单元用于判别所述相似目标域数据和所述目标域数据的正确性,并生成第二对抗损失,进而根据所述第二对抗损失,更新所述目标域判别单元的权重。
3.根据权利要求2所述的深度学习模型,其特征在于,所述源域判别单元和所述目标域判别单元均采用光谱空间模型,所述光谱空间模型包括光谱判别器和空间判别器;
所述光谱判别器用于在光谱角度判别正确性;
所述空间判别器用于在空间角度判别正确性。
4.根据权利要求1所述的深度学习模型,其特征在于,所述对比学习模块包括第一编码器、第二编码器以及对比损失单元;
所述第一编码器用于提取所述源域数据的第一源域光谱子特征和所述相似目标域数据的第二源域光谱子特征,所述第一源域光谱子特征和所述第二源域光谱子特征融合为所述源域光谱特征;
所述第二编码器用于提取所述目标域数据的第一目标域光谱子特征和所述相似源域数据的第二目标域光谱子特征,所述第一目标域光谱子特征和所述第二目标域光谱子特征融合为所述目标域光谱特征;
所述对比损失单元用于获取所述第一编码器和所述第二编码器的对比损失,并根据所述对比损失更新所述第一编码器和所述第二编码器的权重,其中,所述第一编码器和所述第二编码器共享权重。
5.根据权利要求1所述的深度学习模型,其特征在于,还包括邻接矩阵模块,所述邻接矩阵模块的输入端与所述对比学习模块的输出端连接,所述邻接矩阵模块的输出端与所述图卷积神经网络模块的输入端连接;
所述邻接矩阵模块用于根据所述源域光谱特征和所述目标域光谱特征,生成源域光谱邻接矩阵和目标域光谱邻接矩阵,并将所述源域光谱邻接矩阵和所述目标域光谱邻接矩阵传输到所述图卷积神经网络模块。
6.根据权利要求5所述的深度学习模型,其特征在于,还包括空间特征模块,所述空间特征模块的输出端与所述邻接矩阵模块的输入端连接;
所述空间特征模块用于处理获取的土地DEM数据,提取所述土地DEM数据的空间特征;
所述邻接矩阵模块还用于将所述空间特征转化为空间邻接矩阵,并传输至所述图卷积神经网络模块。
7.根据权利要求1所述的深度学习模型,其特征在于,还包括监督损失模块,所述监督损失模块与所述输出模块连接;
所述监督损失模块用于根据所述土地覆盖分类结果,获得监督损失,根据所述监督损失调整模型参数;
所述监督损失模块采用交叉熵损失函数计算监督损失,所述交叉熵损失函数如下公式一所示:
其中,L为所述监督损失,N为像素数量,M为类别数量,yic为符号函数,i为第i个像素,c为类别,pic为第i个像素属于类别c的预测概率。
8.根据权利要求1所述的深度学习模型,其特征在于,所述对比学习模块采用孪生网络结构,所述孪生网络结构设有二阶相似度函数。
9.一种土地覆盖分类方法,其特征在于,包括:
获取待测土地的遥感多光谱数据;
将所述遥感多光谱数据输入到训练好的如权利要求1至8任一项所述的深度学习模型,得到土地覆盖分类结果。
10.一种土地覆盖分类装置,其特征在于,包括:
获取模块,用于获取待测土地的遥感多光谱数据;
分类模块,用于将所述遥感多光谱数据输入到训练好的如权利要求1至8任一项所述的深度学习模型,得到土地覆盖分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573394.9A CN116704363B (zh) | 2023-05-22 | 2023-05-22 | 一种基于深度学习模型的土地覆盖分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573394.9A CN116704363B (zh) | 2023-05-22 | 2023-05-22 | 一种基于深度学习模型的土地覆盖分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704363A true CN116704363A (zh) | 2023-09-05 |
CN116704363B CN116704363B (zh) | 2024-01-26 |
Family
ID=87836545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573394.9A Active CN116704363B (zh) | 2023-05-22 | 2023-05-22 | 一种基于深度学习模型的土地覆盖分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704363B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994071A (zh) * | 2023-09-25 | 2023-11-03 | 云南联合视觉科技有限公司 | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291212A (zh) * | 2020-01-24 | 2020-06-16 | 复旦大学 | 基于图卷积神经网络的零样本草图图像检索方法和系统 |
CN111611785A (zh) * | 2020-04-30 | 2020-09-01 | 北京理工大学 | 一种生成式对抗网络嵌入式表示学习方法 |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
CN113128667A (zh) * | 2021-04-02 | 2021-07-16 | 中国科学院计算技术研究所 | 一种跨域自适应的图卷积平衡迁移学习方法与系统 |
CN113903031A (zh) * | 2021-09-13 | 2022-01-07 | 昆明理工大学 | 一种基于图卷积和对比学习的跨域语义分割方法 |
CN113963262A (zh) * | 2021-12-20 | 2022-01-21 | 中国地质大学(武汉) | 一种基于深度特征融合模型的矿区土地覆盖分类方法 |
CN114764868A (zh) * | 2021-01-12 | 2022-07-19 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN115393719A (zh) * | 2022-08-29 | 2022-11-25 | 哈尔滨理工大学 | 结合空谱域自适应与集成学习的高光谱图像分类方法 |
CN115620160A (zh) * | 2022-10-21 | 2023-01-17 | 中国地质大学(武汉) | 基于多分类器对抗主动迁移学习的遥感图像分类方法 |
CN115690479A (zh) * | 2022-05-23 | 2023-02-03 | 安徽理工大学 | 一种基于卷积Transformer的遥感图像分类方法及系统 |
CN115965867A (zh) * | 2022-12-30 | 2023-04-14 | 中国电子科技集团公司第十四研究所 | 基于伪标签和类别词典学习的遥感图像地表覆盖分类方法 |
CN115983351A (zh) * | 2023-02-20 | 2023-04-18 | 思腾合力(天津)科技有限公司 | 一种基于对比学习的自监督图神经网络方法 |
CN116091850A (zh) * | 2023-04-11 | 2023-05-09 | 中国地质大学(武汉) | 一种矿区土地覆盖分类模型建立及分类方法 |
-
2023
- 2023-05-22 CN CN202310573394.9A patent/CN116704363B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291212A (zh) * | 2020-01-24 | 2020-06-16 | 复旦大学 | 基于图卷积神经网络的零样本草图图像检索方法和系统 |
CN111611785A (zh) * | 2020-04-30 | 2020-09-01 | 北京理工大学 | 一种生成式对抗网络嵌入式表示学习方法 |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
CN114764868A (zh) * | 2021-01-12 | 2022-07-19 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
WO2022154471A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
CN113128667A (zh) * | 2021-04-02 | 2021-07-16 | 中国科学院计算技术研究所 | 一种跨域自适应的图卷积平衡迁移学习方法与系统 |
CN113903031A (zh) * | 2021-09-13 | 2022-01-07 | 昆明理工大学 | 一种基于图卷积和对比学习的跨域语义分割方法 |
CN113963262A (zh) * | 2021-12-20 | 2022-01-21 | 中国地质大学(武汉) | 一种基于深度特征融合模型的矿区土地覆盖分类方法 |
CN115690479A (zh) * | 2022-05-23 | 2023-02-03 | 安徽理工大学 | 一种基于卷积Transformer的遥感图像分类方法及系统 |
CN115393719A (zh) * | 2022-08-29 | 2022-11-25 | 哈尔滨理工大学 | 结合空谱域自适应与集成学习的高光谱图像分类方法 |
CN115620160A (zh) * | 2022-10-21 | 2023-01-17 | 中国地质大学(武汉) | 基于多分类器对抗主动迁移学习的遥感图像分类方法 |
CN115965867A (zh) * | 2022-12-30 | 2023-04-14 | 中国电子科技集团公司第十四研究所 | 基于伪标签和类别词典学习的遥感图像地表覆盖分类方法 |
CN115983351A (zh) * | 2023-02-20 | 2023-04-18 | 思腾合力(天津)科技有限公司 | 一种基于对比学习的自监督图神经网络方法 |
CN116091850A (zh) * | 2023-04-11 | 2023-05-09 | 中国地质大学(武汉) | 一种矿区土地覆盖分类模型建立及分类方法 |
Non-Patent Citations (2)
Title |
---|
DIYA ZHANG 等: "Three-Stream and Double Attention-Based DenseNet-BiLSTM for Fine Land Cover Classification of Complex Mining Landscapes", 《SUSTAINABILITY》 * |
潘少明;王玉杰;种衍文;: "基于图卷积神经网络的跨域行人再识别", 华中科技大学学报(自然科学版), no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994071A (zh) * | 2023-09-25 | 2023-11-03 | 云南联合视觉科技有限公司 | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116704363B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Ensemble learning for hyperspectral image classification using tangent collaborative representation | |
Xue et al. | Attention-based second-order pooling network for hyperspectral image classification | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
Liu et al. | A multikernel domain adaptation method for unsupervised transfer learning on cross-source and cross-region remote sensing data classification | |
Wu et al. | An error-bound-regularized sparse coding for spatiotemporal reflectance fusion | |
Zhao et al. | Detail-preserving smoothing classifier based on conditional random fields for high spatial resolution remote sensing imagery | |
Li et al. | Structure-aware collaborative representation for hyperspectral image classification | |
Wan et al. | Multiobjective hyperspectral feature selection based on discrete sine cosine algorithm | |
Sumbul et al. | Multisource region attention network for fine-grained object recognition in remote sensing imagery | |
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 | |
CN116704363B (zh) | 一种基于深度学习模型的土地覆盖分类方法及装置 | |
CN111161199A (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
Jiang et al. | Local and global structure for urban ALS point cloud semantic segmentation with ground-aware attention | |
CN114972904B (zh) | 一种基于对抗三元组损失的零样本知识蒸馏方法及系统 | |
Feng et al. | Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory | |
Samat et al. | Improving deep forest via patch-based pooling, morphological profiling, and pseudo labeling for remote sensing image classification | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
Ahmad | Fuzziness-based spatial-spectral class discriminant information preserving active learning for hyperspectral image classification | |
CN114821337B (zh) | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 | |
Kalita et al. | Class-wise subspace alignment-based unsupervised adaptive land cover classification in scene-level using deep Siamese network | |
CN116310545A (zh) | 一种基于深度层次化最优传输的跨域舌头图像分类方法 | |
Perea et al. | Application of Numenta® Hierarchical Temporal Memory for land-use classification | |
Lei et al. | Land cover classification for remote sensing imagery using conditional texton forest with historical land cover map | |
Hu et al. | Intra-and inter-modal graph attention network and contrastive learning for SAR and optical image registration | |
Zhang et al. | Uncertainty-aware forward correction for weakly supervised solar panel mapping from high-resolution aerial images |
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 |