[发明专利]深度特征集成学习的遥感图像目标识别泛化性方法

权利要求书

1.一种深度特征集成学习的遥感图像目标识别泛化性方法，其特征在于，步骤如下：

步骤一、构建一个基础网络模型：VGG16的前13层作为编码器，一个7层的卷积网络作为解码器，使用训练数据训练该基础网络模型；

步骤二、提升该基础网络模型的泛化性，包含两个策略：

策略一：在该基础网络模型中添加一个能去除风格信息的集成模块，该集成模块中包含实例标准化层、批标准化层和多个集成分支；实例标准化层用于学习与外观无关的特征，批标准化层用于保存与内容相关的信息；

所述的集成模块使用多个注意力图从剩余的风格信息中提取补充信息，注意力图关注剩余的风格信息中不同的区域，用来挖掘出不同区域的内容信息；利用余弦相似度控制注意力图之间的多样性，对注意力图的聚焦位置进行引导，从剩余的风格信息中提取出具有多样性的内容信息；

策略二：使用一个自适应选择网络从集成的特征信息中二值化地选取信息；通过一个门控子网络实现网络的自适应选择，输出得到二值化的门控选择结果；门控网络的输入是原始输入图像，经过一系列卷积输出二值化的门控选择；基于特征的每个通道进行二值化选择；将主网络中集成的输出特征作为先验信息输入到门控网络中；

步骤三、网络训练阶段，采用端到端的方式对网络进行训练；控制集成模块的各个子模型输出的多样性，使用余弦相似度损失函数对各个子模型对应的注意力图进行控制：

其中，N是各个子模型输出的多样性特征的数量，i和j表示特征的索引，cos()表示余弦相似度函数，M代表注意力图，∑()表示求和；

对于目标分类的训练，使用交叉熵损失函数进行训练，交叉熵损失定义如下：

其中，x_r是输入图像，p(x)代表遥感图像的真值，q(x)是网络对输入的遥感图像输出的预测值，log()表示对数运算。