[发明专利]基于双线性孪生架构的遥感场景分类方法和装置

说明书

本申请涉及一种基于双线性孪生架构的遥感场景分类方法和装置。所述方法包括：获取遥感场景图像，并对其进行处理并平均分为两组，得到两组训练样本；构建基于双线性孪生架构的遥感场景分类网络，该网络包括：孪生结构的特征提取网络、双线性模块、分类网络以及融合模块；构建损失函数，损失函数包括：分类损失、对比损失以及双线性损失；根据两组训练样本，并根据损失函数，对遥感场景分类网络进行训练，得到训练好的遥感场景分类模型；获取一对待测遥感场景图像样本并进行处理，将处理结果输入到遥感场景分类模型中，得到遥感场景图像分类结果。基于双线性孪生架构的遥感场景分类网络可以超过自身分类网络的性能，并使训练过程更快更稳定。

技术领域

本申请涉及图像信息处理技术领域，特别是涉及一种基于双线性孪生架构的遥感场景分类方法和装置。

背景技术

随着遥感技术快速发展，遥感图像分辨率逐步提高，同时图像的空间和纹理信息也越来越丰富。遥感场景分类是遥感领域近年来的热门研究课题。其主要过程是根据提取的图像特征进行分类。如何有效提取特征信息并且能够区分差异较小的不同类别的场景，是遥感场景分类的关键。由于遥感图像具有尺寸大、内容丰富等特点，这也意味着遥感图像比一般自然图像特征更多、更难被表示。卷积神经网络由于其强大的特征提取能力而被广泛用于图像分类。所以当前主流的遥感场景分类任务通常采用卷积神经网络提取特征并完成分类。

在遥感场景分类方法方面已经取得了一定的成果，但是在细粒度分类任务中分类的准确率不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高细粒度分类任务准确率的基于双线性孪生架构的遥感场景分类方法和装置。

一种基于双线性孪生架构的遥感场景分类方法，所述方法包括：

获取遥感场景图像，对所述遥感场景图像进行处理并平均分为两组，得到两组训练样本。

构建基于双线性孪生架构的遥感场景分类网络，所述遥感场景分类网络包括：基于孪生结构的特征提取网络、双线性模块、分类网络以及融合模块；所述特征提取网络包括结构相同且权重共享的两个卷积神经网络，用于提取输入样本的特征；双线性模块利用双线性融合算法，将两个卷积神经网络输出的特征进行融合，并最终输出双线性预测分类；所述分类网络用于根据特征提取网络的输出进行分类预测，同时根据双线性模块的输出进行分类得到双线性预测分类；所述融合模块用于将得到的预测分类和双线性预测分类进行判据融合，得到遥感场景图像分类结果。

构建损失函数；所述损失函数包括：分类损失、对比损失以及双线性损失。

根据两组所述训练样本，并根据所述损失函数，对所述遥感场景分类网络进行训练，得到训练好的遥感场景分类模型。

获取一对待测遥感场景图像样本并进行处理，将处理结果输入到遥感场景分类模型中，得到遥感场景图像分类结果。

一种基于双线性孪生架构的遥感场景分类装置，所述装置包括：

样本获取模块，用于获取遥感场景图像，对所述遥感场景图像进行处理并平均分为两组，得到两组训练样本。

模型构建模块，用于构建基于双线性孪生架构的遥感场景分类网络，所述遥感场景分类网络包括：基于孪生结构的特征提取网络、双线性模块、分类网络以及融合模块；所述特征提取网络包括结构相同且权重共享的两个卷积神经网络，用于提取输入样本的特征；双线性模块利用双线性融合算法，将两个卷积神经网络输出的特征进行融合，并最终输出双线性预测分类；所述分类网络用于根据特征提取网络的输出进行分类预测，同时根据双线性模块的输出进行分类得到双线性预测分类；所述融合模块用于将得到的预测分类和双线性预测分类进行判据融合，得到遥感场景图像分类结果。

构建损失函数，所述损失函数包括：分类损失、对比损失以及双线性损失。