[发明专利]基于多图卷积网络的开集域适应遥感图像小样本分类方法

说明书

基于多图卷积网络开集域适应遥感图像小样本分类方法，包括：S100：从任务数据集和辅助数据集中分别读取M个样本；S200：利用特征提取网络Conv4提取所有样本的特征；S300：根据提取的特征计算得到邻接矩阵A；S400：利用得到的邻接矩阵A和多图卷积运算更新样本特征；S500：利用更新后的特征，预测出任务数据集未标记样本的标签；S600：根据预测的样本标签，反向传播对网络进行训练；S700：利用训练好的网络对任务数据集的未标记样本进行分类，得到分类结果。通过减小共有类部分的域间差异，提升分类精度，利用图建模样本在特征空间中的相似性，通过图卷积运算增强同类别样本的聚集程度，进一步提升分类精度。

技术领域

本公开属于遥感图像处理技术领域，特别涉及一种基于多图卷积网络的开集域适应遥感图像小样本分类方法。

背景技术

遥感场景分类是遥感场景理解中的一种重要手段，其目的是根据遥感图像的内容将遥感图像分为不同的类别。遥感场景分类在城市规划、土地预测、环境保护等方面有着广泛的用途。深度学习在遥感图像分类领域已经取得了巨大的成功。深度学习一般需要大量的带标签样本进行训练，但在很多情况下获取足够多的标记样本是很困难的，对此，将小样本学习的方法应用在了遥感图像场景分类中，用来解决每一类图像只有很少标记样本情况下的遥感图像场景分类问题。

度量学习是解决小样本分类的主流方法之一。度量学习的主要思想是通过训练学习一种相似性度量方式，来量化任意样本对之间的相似性大小。方法是通过辅助数据集学习一个具有一定泛化性能的度量网络，对于该度量网络，同类别的样本对获得较高的相似度，不同类别的样本对获得较低的相似度，然后在每一类只有少数标记样本的情况下，就可以根据未标记样本和标记样本的相似度将任务数据集中未标记样本的类别预测出来。度量学习首先被引入到自然图像处理领域中，用来解决自然图像的小样本分类问题。近年来，将小样本分类方法引入到了遥感图像处理领域，解决了遥感图像的小样本分类问题。

小样本分类问题的定义：给定一个有特定于任务T的包含少量监督信息的任务数据集D_T和一个与任务T不相关的辅助数据集D_A，这里D_A中有大量的带标记的样本，D_T中只有很少的标记样本，D_A和D_T通常来源也不相同，小样本学习就是利用D_T中很少的监督信息和D_A中的知识，构建一个函数，完成输入到目标的映射。这里“与任务T不相关”表示D_T中的类别集合Y_T和D_A中的类别集合Y_A交集为空。但是在现实中，任务数据与辅助数据标签是有可能重合的，即Y_A∩Y_T≠φ且Y_A∩Y_T≠Y_T，将这种情况下的小样本分类任务称之为开集小样本分类，Y_A∩Y_T＝φ的情况称为闭集小样本分类。两个数据集中类别相同部分称为共有类，其余部分有私有类。由于不同数据集图像特征分布存在的差异，对于共有类数据，尽管具有相同的标签，在辅助数据集上训练的模型在任务数据集上往往不能获得很高的精度。域适应是一种减小不同数据集之间特征分布差异的方法，其原理是将数据集之间的特征差异量化为域损失函数，在模型训练过程中通过减小域损失函数达到减小特征分布差异的目的。如果能采用域适应的方法减小辅助数据和任务数据特征分布的差异，就能提升小样本的分类精度。另外，现有的小样本分类方法很少考虑数据之间的关系特性，如果利用图建模样本之间的相似性，通过图上特征的学习，可以进一步提高小样本分类精度。