[发明专利]基于不确定性量化的遥感场景识别方法、系统及介质

权利要求书

1.一种基于不确定性量化的遥感场景识别方法，其特征在于，所述方法包括以下步骤：

获取数据集，所述数据集包含作为源样本的遥感图像；

构造由多个结构相同但初始参数不同的神经网络，将所述数据集输入多个所述神经网络，以得到不确定性映射向量；

构建遥感图像识别网络，采用批量训练方法，将所述数据集输入至遥感图像识别网络进行训练，得到特征映射；

对所述不确定性映射向量进行二值化处理得到掩码向量，对掩码向量和特征映射做点积操作，得到具有高置信度的特征向量；

确定所述特征向量的损失函数，基于所述损失函数对遥感图像识别网络进行训练，得到场景识别模型；

获取待识别的遥感图像，将所述遥感图像输入所述场景识别模型，得到所述遥感图像的场景类别。

2.根据权利要求1所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述构造由多个结构相同但初始参数不同的神经网络，将所述数据集输入多个所述神经网络，以得到不确定性映射向量，包括：

构造K个结构相同但参数不同的神经网络，，每个神经网络都含有特征提取模块和分类模块；

将所述数据集构建为训练集和测试集，在训练过程中，采用批量训练的方法，将所述训练集按批量大小分为多个批次的输入数据依次输入神经网络中进行训练，对于每一批次的输入数据获取由神经网络的特征提取模块输出的特征映射，在经过分类模块后，得到特征映射对应的预测结果分类结果；

确定预测结果分类结果的概率分布，基于所述概率分布得到模型分类损失；

将所述测试集按批量大小分为多个批次的测试数据依次输入神经网络中进行训练，对于每一批次的测试数据，基于所述模型分类损失获取K个由特征提取模块输出的全局特征映射，使用以下公式计算测试数据的不确定性映射向量：

3.根据权利要求2所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述基于所述概率分布得到模型分类损失包括：

采用以下公式计算得到模型分类损失：

其中，为数据的真实概率分布，为模型预测的概率分布。

4.根据权利要求3所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述构建遥感图像识别网络，采用批量训练方法，将所述数据集输入至遥感图像识别网络进行训练，得到特征映射，包括：

构建具有特征层和分类层的遥感图像识别网络，将训练集组成三元组，采用批量训练方法，将训练集按照批量大小分为多个批次的测试数据依次输入至遥感图像识别网络进行训练，每一个输入经过特征层后均可得到对应图像的特征映射，。

5.根据权利要求4所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述对所述不确定性映射向量进行二值化处理得到掩码向量，对掩码向量和特征映射做点积操作，得到具有高置信度的特征向量，包括：

将不确定性映射向量设立一个阈值进行二值化后，得到掩码向量；具体地，若不确定性映射向量中的像素灰度值小于阈值则全为0，若大于阈值则全为255；

采用公式将掩码向量与图像特征映射做点积操作，得到具有高置信度的特征向量。

6.根据权利要求5所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述确定所述特征向量的损失函数，基于所述损失函数对遥感图像识别网络进行训练，得到场景识别模型，包括：

对特征向量计算三元组损失函数，基于标签平滑损失函数和三元组损失函数确定损失函数，其中：

其中，为源样本的标签，为平滑因子，是从高斯分布中随机采样的值；分别表示组成三元组的源样本、负样本和正样本的高维特征向量，分别代表正样本对和负样本对的欧式距离，代表三元组损失的间距阈值，代表取正值；

使用SGD算法对遥感图像识别网络进行训练，直至确定最小化损失函数的参数，得到场景识别模型。