公开(公告)号：CN111414942A

公开(公告)日：2020-07-14

申请号：CN202010149956.3

申请日：2020-03-06

Applicant: 重庆邮电大学

Inventor： 胡力心 ,  罗小波 ,  魏宇帆

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种基于主动学习和卷积神经网络的遥感图像分类方法，该方法包括：通过主成分分析方法对高光谱遥感图像进行波段处理，随后将图像处理成块。将数据按照一定比例分为训练集、未标记样本集、验证集和测试集。使用训练集对卷积神经网络进行训练，对未标记样本集中样本的所属类别进行预测，引入主动学习对样本进行评估。然后将其评估的结果进行排序，挑选出其中置信度低的样本，专家赋予其标签，对于置信度高的样本计算机自动赋予其标签。通过调节预测标签系数来构建高质量的训练样本集，使用挑选出的训练样本集迭代优化分类器模型。满足停止条件便停止迭代，输出最终的分类结果。

公开(公告)号：CN111428758A

公开(公告)日：2020-07-17

申请号：CN202010149937.0

申请日：2020-03-06

Applicant: 重庆邮电大学

Inventor： 罗小波 ,  魏宇帆 ,  胡力心

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种改进的基于无监督表征学习的遥感图像场景分类方法，基于现有的生成对抗网络模型，使用WGAN-GP的基础理论来定义生成器和鉴别器的损失函数和训练方式，通过在鉴别器后面的最大池化等操作增加一个多特征融合层来提取场景类中的高级和中级特征信息并将特征梯度反馈给生成器，使生成器能够生成接近真实样本的图像，针对遥感图像的空间复杂性和光谱特性，使用更加先进的WGAN-GP模型来生成更加稳定而多样的高质量256×256大小的假样本图像，最后使用多层感知机分类器来分类多特征融合层中提取到的特征。本方法对比其他无监督表征学习的方法有着更好的适应性，能够适用于复杂的遥感图像场景数据集(比如NWPU-RESISC45数据集)，本方法更为全面和具体。

公开(公告)号：CN111414942B

公开(公告)日：2022-05-03

申请号：CN202010149956.3

申请日：2020-03-06

Applicant: 重庆邮电大学

Inventor： 胡力心 ,  罗小波 ,  魏宇帆

IPC: G06V10/764 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/774

Abstract: 本发明请求保护一种基于主动学习和卷积神经网络的遥感图像分类方法，该方法包括：通过主成分分析方法对高光谱遥感图像进行波段处理，随后将图像处理成块。将数据按照一定比例分为训练集、未标记样本集、验证集和测试集。使用训练集对卷积神经网络进行训练，对未标记样本集中样本的所属类别进行预测，引入主动学习对样本进行评估。然后将其评估的结果进行排序，挑选出其中置信度低的样本，专家赋予其标签，对于置信度高的样本计算机自动赋予其标签。通过调节预测标签系数来构建高质量的训练样本集，使用挑选出的训练样本集迭代优化分类器模型。满足停止条件便停止迭代，输出最终的分类结果。