[发明专利]一种基于连续学习的遥感图像场景分类方法

说明书

本发明公开了一种基于连续学习的遥感图像场景分类方法，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，待分类遥感图像数据集中的图像类别大于遥感图像训练数据集中的图像类别；采用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待分类遥感图像数据集进行分类；本发明通过使用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更新，并且在更新的过程中向损失函数中加入第二损失函数，可以使得遥感图像分类模型保留对原有遥感图像的分类精度，进而提升了遥感图像分类模型的泛化能力。

技术领域

本发明属于遥感图像分类技术领域，尤其涉及一种基于连续学习的遥感图像场景分类方法。

背景技术

随着对地观测技术、计算机技术和人工智能技术等的发展，遥感大数据时代已经到来。特别是5G等通信技术的革新，使得万物智能互联逐渐成为可能。在此情况下，发展遥感边缘智能的应用技术，将遥感数据处理与分析技术前置，应用于卫星在轨处理解译、无人机动态实时跟踪、大规模城市环境重建和无人驾驶识别规划等场景中，无疑可以节省大量的传输带宽、处理时间和资源消耗。

深度学习凭借其强大的特征自学习和应用泛化能力，在遥感数据智能解译领域已得到大量研究，众多基于深度神经网络模型的遥感数据智能解译模型被相继提出，并获得推广。

然而，在边缘遥感数据分析中，新任务、新类别层出不穷，现有的方法面向连续输入的数据往往泛化能力差，存在灾难性遗忘问题，即模型只能应用于当前任务及遥感图像样本，不能随着时间推移而适应或者扩展。

发明内容

本发明的目的是提供一种基于连续学习的遥感图像场景分类方法，以解决连续学习过程中模型泛化能力差的问题。

本发明采用以下技术方案：一种基于连续学习的遥感图像场景分类方法，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，待分类遥感图像数据集中的图像类别大于遥感图像训练数据集中的图像类别；

采用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待分类遥感图像数据集进行分类。

进一步地，采用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：

采用作为遥感图像分类模型的损失函数；其中，为遥感图像分类模型的损失函数，为根据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，特征子空间用于表征遥感图像训练数据集的特征矩阵。

进一步地，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，将距离作为第二损失函数。

进一步地，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。

进一步地，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遥感图像训练数据集中每个遥感图像的特征图；

组合特征图得到特征矩阵；

对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。

进一步地，对特征矩阵进行奇异值分解之后还包括：