[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

说明书

本发明涉及大数据技术领域，具体涉及一种基于不确定性量化的遥感场景识别方法、系统及介质，方法包括：获取各个ES节点进行日志处理的响应时长；若任一ES节点的响应时长超过设定的第一时长阈值，则对各个ES节点处理的日志数量进行调配，以使各个ES节点的响应时长均衡；若确定任一均衡后的ES节点的响应时长超过设定的第二时长阈值，则基于各个ES节点均衡后的响应时长和第二时长阈值的差值确定第一容量差值；基于所述第一容量差值确定新增的ES节点，将添加新增的ES节点；本发明能够提高场景类别识别的准确度。

技术领域

本发明涉及遥感图像识别技术领域，具体涉及一种基于不确定性量化的遥感场景识别方法、系统及介质。

背景技术

随着卫星遥感技术的快速发展，高分系列卫星能够获取更多的数据和信息，其中，遥感图像场景识别作为遥感中的关键技术，旨在从自然遥感影像中提取其图像特征，感知图像中地物要素的语义信息，从而推导目标地区的场景类别，在一定程度上可以缓解海量数据与人工不足之间的矛盾，在智慧遥感领域中具有重要的应用价值，被广泛应用于城市建设、地图绘测、抢险救灾、军事侦察等领域。

近年来，遥感场景识别技术受到了越来越多的关注，深度学习技术在遥感图像识别领域中取得了一定效果，但它们在重视安全性和稳定性的现实世界中的部署仍然有限。造成这种限制的一个重要因素是：现有的遥感场景识别方式无法为深度神经网络的决策和频繁发生的过度自信的预测提供可靠的不确定性估计并加以修正，这导致在识别过程中存在着很大的隐患。相关技术无法解决数据集本身固有的噪声问题，即数据不确定性问题。面对复杂的数据集，难以捕获数据集中存在的不确定性信息并对之进行学习，导致无法对目标地区的场景类别做出准确的判断。

因此，如何通过解决数据不确定性问题，从而提高场景类别识别的准确度，成为亟待解决的问题。

发明内容

本发明目的在于提供一种基于不确定性量化的遥感场景识别方法、系统及介质，能够基于不确定性量化的方式，解决数据不确定性问题，从而提高场景类别识别的准确度。

为了实现上述目的，本发明提供以下技术方案：

第一方面，本发明实施例提供了一种基于不确定性量化的遥感场景识别方法，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。

进一步，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：