[发明专利]一种基于连续学习的遥感图像场景分类方法

权利要求书

1.一种基于连续学习的遥感图像场景分类方法，其特征在于，包括以下步骤：

获取当前时刻的待分类遥感图像数据集和遥感图像训练数据集；其中，所述待分类遥感图像数据集中的图像类别大于所述遥感图像训练数据集中的图像类别；

采用所述遥感图像训练数据集对上一时刻的遥感图像分类模型进行训练；

通过训练后的遥感图像分类模型对所述待分类遥感图像数据集进行分类。

2.如权利要求1所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，采用所述遥感图像训练数据集对上一时刻的遥感图像分类模型进行训练包括：

采用作为所述遥感图像分类模型的损失函数；其中，为所述遥感图像分类模型的损失函数，为根据所述遥感图像训练数据集中各遥感图像的预测类别与真实类别计算的第一损失函数，为基于所述遥感图像训练数据集的特征子空间与上一时刻的特征子空间计算的第二损失函数，所述特征子空间用于表征所述遥感图像训练数据集的特征矩阵。

3.如权利要求2所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，所述第二损失函数计算方法为：

计算当前时刻的特征子空间和上一时刻的特征子空间的距离，将所述距离作为所述第二损失函数。

4.如权利要求3所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，计算当前时刻的特征子空间和上一时刻的特征子空间的距离包括：

计算当前时刻的特征子空间的标准正交基、以及上一时刻的特征子空间的标准正交基；

计算两个所述标准正交基之间夹角的正弦值之和，并将其作为当前时刻的特征子空间和上一时刻的特征子空间的距离。

5.如权利要求4所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，计算当前时刻的特征子空间的标准正交基包括：

通过上一时刻的遥感图像分类模型提取所述遥感图像训练数据集中每个遥感图像的特征图；

组合所述特征图得到特征矩阵；

对所述特征矩阵进行奇异值分解，得到当前时刻的特征子空间的标准正交基。

6.如权利要求5所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，对所述特征矩阵进行奇异值分解之后还包括：

将所述特征矩阵的左奇异矩阵作为当前时刻的特征子空间的标准正交基。

7.如权利要求3或4所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，所述第二损失函数具体为：

其中，表示当前时刻特征子空间S^(t)与上一时刻特征子空间S^(t-1)的距离，Θ为特征子空间S^(t)的标准正交基和特征子空间S^(t-1)的标准正交基之间的夹角向量。

8.如权利要求7所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，所述夹角向量包括若干个夹角，所述若干个夹角的计算方法为：

其中，为所述夹角向量中第一个夹角，为特征子空间S^(t-1)的第一个标准正交基，为特征子空间S^(t)的第一个标准正交基，为所述夹角向量中第二个夹角，为特征子空间S^(t-1)的第二个标准正交基，为特征子空间S^(t)的第二个标准正交基，为所述夹角向量中第b个夹角，b为所述夹角向量中夹角的个数，为特征子空间S^(t-1)的第b个标准正交基，为特征子空间S^(t)的第b个标准正交基。

9.如权利要求8所述的一种基于连续学习的遥感图像场景分类方法，其特征在于，所述标准正交基通过将特征矩阵进行奇异值分解之后得到。

10.一种基于连续学习的遥感图像场景分类装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的一种基于连续学习的遥感图像场景分类方法。