基于Res-MSRN的遥感图像少样本对象识别方法研究

发布时间：2020-09-03 09:12

　　遥感图像识别算法在军事领域和民用领域均有重要作用,典型遥感图像识别算法在识别新类别前需要大量的标记样本和训练时间,给实际应用带来不便。通过少量甚至单张标记样本使得算法快速获得对新类别的识别能力,在遥感图像分析领域具有重要意义。本文将少样本对象识别算法引入遥感图像领域中,着重研究基于关系网络(Relation Network,RN)的遥感图像少样本对象识别算法。针对RN特征融合方式过于简单导致类别特征权重分配不合理,影响识别准确率的问题,提出了基于自学习特征融合的RN模型(MRN),设计了自学习的特征融合模块提取类别特征,削弱无效特征权重,保证类别特征的有效性。在特征度量阶段,为了进一步提高识别的准确率,提出了基于分组特征度量的MRN模型(MSRN)。对不同类别特征做出分组约束,增大不同类别样本在特征空间上的间距,增强分类器的稳定性。在实际应用中遥感图像数据来源多样,数据分布域存在差异,模型的域适应性直接影响识别精度。本文将Mixup数据增强模块引入MSRN增加训练样本的多样性,并修改损失函数对模型进行正则化约束,增强模型的泛化能力和识别精度。针对MSRN对样本分辨率敏感与实际情况中遥感图像分辨率复杂多变这一现实问题,提出了基于残差等射变换的MSRN(Res-MSRN)。Res-MSRN通过引入残差等射变换结构来修正提取到的样本特征,并利用分辨率系数来拓展低分辨率样本有效特征信息,在保证识别准确率的基础上提高了算法在不同分辨率样本上的稳定性。最后在公开遥感图像数据集上将本文提出的模型与其他最新的少样本对象识别方法进行对比实验,实验结果表明本文提出的Res-MSRN在识别精度上优于其他方法,并且具有较高的泛化能力和分辨率稳定性。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751
【部分图文】：

示意图,别差,示意图,颜色差异

这些方法的解决范围。样本存在较大差异类别时可能存在所给的相同类别样本之间具有较大差异。如图 1-1 所括：颜色差异、形状差异、光照差异、角度差异、部分遮挡等等。这的类别特征的有效性提出了更高的要求。标记样本测试样本（a1）对照样本（b1）颜色差异（c1）形状差异（d1）光照差异（a2）对照样本（b2）颜色差异（c2）数量差异（d2）角度差异

示意图,不同类,样本,示意图

（a3）湿地（b3）湖泊图 1-2 不同类别相似样本示意图分辨率不高或者样本尺度过小像由于成像技术和拍摄位置等原因可能出现图像分辨率不高况，如图 1-3 所示。在识别网络中输入图像尺度相同，小分辨率问题，因此模型的分辨率稳定性显得尤为重要。a1）飞机样本（b1）小尺度飞机图（c1）低分辨率飞机

示意图,梯度,示意图,专门训练

中科技大学硕士学位论调整。从一个多任务训练集中取样得到许多不同目标问微调解决每一个问题，并且在每个目标问题的成功将一个易于微调的初始状态。基于元学习的少样本对象仅有一个良好的模型初始化而且有一个经过专门训练的化器对网络进行有效微调[16]。然而这两种方法都需要下，本文的算法用一种完全前向的方式解决了目标识别有效的满足低时延和低功耗要求。

【相似文献】