(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210797684.7 (22)申请日 2022.07.06 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 李旭　王飞月　张一凡　李立欣　 卫保国　 (74)专利代理 机构 西安维赛恩专利代理事务所 (普通合伙) 61257 专利代理师 张瑞琪 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于主动学习的遥感图像场景分类方 法 (57)摘要 本发明公开了一种基于主动学习的遥感图 像场景分类方法， 由以下步骤组成： 从样本集人 工随机地挑选出一批样本进行人工标记， 标记后 的样本为初始标记样本集D1， 未标记的样本为未 标记样本集U1， 输入卷积神经网络进行特征提取 得到标记样 本特征图和未标记样 本特征图， 输入 分支网络进行训练， 利用查询策略从未标记样本 集U1中选择一批样本进行人工标记， 将标记后的 样本添加到初始标记样本集D1中形成新标记样 本集D2， 重复直到未标记样本集U1全部被标记或 者标记样本的数量达到初始标记样本集D1与未 标记样本集U1和的20％； 本发明使用经主动学习 筛选出来的信息量丰富的样本进行场景分类， 利 用少的标记样本同样可以得到高的分类精度。 权利要求书1页 说明书5页 附图2页 CN 115063692 A 2022.09.16 CN 115063692 A 1.一种基于主动学习的遥感图像场景分类方法， 其特 征在于， 由以下步骤组成： 步骤S1： 从样本集人工随机地挑选出一批样本进行人工标记， 标记后的样本为初始标 记样本集D1， 未标记的样本为未 标记样本集U1， 步骤S2： 将初始标记样本集D1和未标记样本集U1输入卷积神经 网络进行特征提取， 得到 标记样本特 征图和未 标记样本特 征图， 步骤S3： 将标记样本特征图和未标记样本特征图输入分支网络进行训练， 所述分支网 络包括鉴别器和分类 器， 将标记样本特征图输入分类器进行训练， 将标记样本特征图和未标记样本特征图输入 鉴别器进行训练， 所述分支网络的损失函数为： 其中， LPoly‑1＝‑log(Pt)+∈1(1‑Pt) 其中， Y为 的标签， 权重系数λ1和λ2的取值范围为[0,1]， LBCE为鉴别器的损失函数， LPoly‑1为分类器的损失函数， Pt是模型对目标真实类别的预测概 率； 步骤S4： 利用查询策略从未标记样本集U1中选择一批样本进行人工标记， 将标记后的样 本添加到初始标记样本集D1中形成新标记样本集D2， 步骤S5： 重复步骤S2 ‑步骤S4直到未标记样本集U1全部被标记或者标记样本的数量达到 初始标记样本集D1与未标记样本集U1和的20％。 2.根据权利要求1所述的一种基于主动学习的遥感图像场景分类方法， 其特征在于， 其 中， 步骤S2中的卷积神经网络包括依次连接的第一卷积模块、 第二残差网络、 第三残差网 络、 第四残差网络、 第 五残差网络、 全连接层， 所述第一个卷积模块包括依 次连接的卷积层 和池化层， 所述第二残差网络、 第三残差网络、 第四残差网络、 第五残差网络均由依 次连接 的两个残差模块组成， 每 个残差模块包括两个卷积层。 3.根据权利要求1或2所述的一种基于主动学习的遥感图像场景分类方法， 其特征在 于， 步骤S4中在选择样本形成新标记样本集D2时， 选择方法为： 利用训练好的鉴别器从未标记样本集U1中挑选鉴别器鉴别是未标记样本概率最高的5k 个样本， k为主动学习每轮挑选的样 本数， 然后利用KMeans聚类方法将这5k个样 本聚成k类， 选择离聚类中心点最近的k个样本进行标记， 将标记后的样本添加到初始标记样本集D1中 形成新的标记样本集D2。权　利　要　求　书 1/1 页 2 CN 115063692 A 2一种基于主动学习的遥感图像场景分类方 法 技术领域 [0001]本发明属于遥感图像场景分类领域， 尤其涉及一种基于主动学习的遥感图像场景 分类方法。 背景技术 [0002]遥感图像场景分类(remote  sensing image scene classificat ion)是指从一系 列遥感图像中选择具有相似场景特征的图像， 并为每幅选定的图像分配特定的场景类别标 签来完成场景分类。 目前， 遥感图像场景分类在 城市规划、 环境监测、 地面目标识别与检测、 自然灾害损失评估土地资源管理等诸多应用中发挥着重要作用。 [0003]目前国际上常用的方法是基于深度特征学习的方法， 使用深度体系结构的神经网 络直接从原始图像中生成特征， 然后再进 行分类。 事实上， 基于深度特征学习的方法严重依 赖于大规模样本， 而构建大量标记样本的高成本在一定程度上限制 了该类方法的发展。 在 常规的图像分类中， 通常采用主动学习来减少对标记样本数目的需求， 可显著降低成本 。 [0004]目前， 遥感图像场景分类方法主要是基于深度特征学习的方法， 基于深度特征学 习的方法严重依赖于大规模样本， 而构建大量标记样本的高成本在一定程度上限制了该方 法的发展。 发明内容 [0005]本发明的目的是提供一种基于主动学习的遥感图像场景分类方法， 不依赖于大规 模标记样本， 且标记成本较低。 [0006]本发明采用以下技术方案： 一种基于主动学习的遥感图像场景分类方法， 由以下 步骤组成： [0007]步骤S1： 从样本集人工随机地挑选出一批样本进行人工标记， 标记后的样本为初 始标记样本集D1， 未标记的样本为未 标记样本集U1， [0008]步骤S2： 将初始标记样本集D1和未标记样本集U1输入卷积神经网络进行特征提取， 得到标记样本特 征图和未 标记样本特 征图， [0009]步骤S3： 将标记样本特征图和未标记样本特征 图输入分支网络进行训练， 所述分 支网络包括 鉴别器和分类 器， [0010]将标记样本特征图输入分类器进行训练， 将标记样本特征图和未标记样本特征图 输入鉴别器进行训练， [0011]所述分支网络的损失函数为： [0012] [0013]其中， LPoly‑1＝‑log(Pt)+ ε1(1‑Pt) [0014]其中， Y为 的标签， 权重系数λ1和λ2的取值范围为[0， 1]， LBCE为鉴别器的损失函 数， LPoly‑1为分类器的损失函数， Pt是模型对目标真实类别的预测概 率；说　明　书 1/5 页 3 CN 115063692 A 3