[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

说明书

本发明属于图像信息处理技术领域，提供了一种深度特征集成学习的遥感图像目标识别泛化性方法。该方法适用于不同种类的输入源图像，均可以得到较好的预测结果。它在网络结构中使用多个子分支预测得到多个输出特征，并使用余弦相似度控制这些输出特征的多样性，实现模型的多样性；为了能够从所得的集成特征中进一步选择所需的特征，它使用一个自适应选择网络对特征进行筛选。本发明的方法充分利用遥感图像深度特征的不同表达，如色调，对比度，饱和度，图像质量/分辨率等，设计基于门控的自适应集成架构得到用于遥感图像目标识别的具有泛化性的网络模型。

技术领域

本发明属于图像信息处理技术领域，涉及遥感图像目标识别的方法，特别是一种深度特征集成学习的遥感图像目标识别泛化性方法。

背景技术

目前，与本专利相关的方法包括两方面：第一是基于深度特征的集成学习方法；第二是基于深度学习的泛化性方法。

基于深度特征的集成学习方法主要分为两类：一类是从损失上进行设计，首先构建神经网络的多个子分支，然后使用损失函数控制这些子分支所产生结果的多样性，实现模型的多样性。Dvornik等人在文献《Diversity with cooperation:Ensemble methodsfor few-shot classification》中提出使用余弦相似度损失控制子分支的输出，使得各个子分支的输出趋于不同，以鼓励多样性；一类是从训练数据上提升各个分支的多样性，Meshgi等人在文献《Efficient Diverse Ensemble for Discriminative Co-Tracking》中使用不同的训练数据训练不同的子分支，由于使用不同训练数据进行训练会使得各个子分支的输出不同，所以可以实现多样性，从而达到集成学习的目的。

基于深度学习的域泛化性方法的目标是通过利用一个或多个可见的源域数据集来学习一个对未知目标域表现良好的广义模型。Jin等人在文献《Style normalizationand restitution for generalizable person re-identification》中提出了一种泛化性方法，即使用实例正则化滤除掉特征里和图像内容无关的风格信息，为了避免相关的内容信息丢失，设计了一个恢复策略，最终可以提取图像的内容特征。由于影响泛化性的主要因素就是各个图像域的风格特征不一致，所以在滤除图像的风格信息之后，网络的泛化性得到很大提升。

针对于遥感图像的目标识别，解决该问题的一种常见的方法是使用多个图像域的训练数据对网络进行训练，来获取针对不同域的适用的网络模型。但是由于遥感图像的训练数据集的图像域较少，所以无法通过这种方式提升模型的泛化性。本专利提出深度特征集成学习的遥感图像目标识别泛化性方法来解决上述问题。

发明内容

针对难以获得多个域对网络进行训练的问题，提出了一种基于集成学习的泛化的遥感图像目标识别方法。它可以适用于不同种类的输入源图像，均可以得到较好的预测结果。它在网络结构中使用多个子分支预测得到多个输出特征，并使用余弦相似度控制这些输出特征的多样性，实现模型的多样性；为了能够从所得的集成特征中进一步选择所需的特征，它使用一个自适应选择网络对特征进行筛选。

本发明的技术方案：

一种深度特征集成学习的遥感图像目标识别泛化性方法，步骤如下：

首先构建一个基础的网络模型：VGG16的前13层作为编码器，一个7层的卷积网络作为解码器，然后使用训练数据训练好该基础网络；为了提升该网络的泛化性，提出两个策略：