申请/专利权人：西安电子科技大学

申请日：2024-02-27

公开（公告）日：2024-04-30

公开（公告）号：CN117953307A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/776;G06V10/82;G06V20/13;G06N3/0455;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：一种面向高分辨率大场景遥感影像的非均衡多地物要素分类方法、系统、设备及介质，方法包括：步骤1.光学遥感影像数据集预处理，按照比例划分训练集、验证集和测试集；步骤2.地物要素占比计算；步骤3.非均衡弱类别数据重采样与增强；步骤4.构造自适应交叉熵损失函数；步骤5.深度神经网络特征提取与分类；步骤6.分类结果预测；步骤7.性能评估；系统、设备及介质：用于实现该方法；本发明针对一般方法在极不平衡类别性能表现较差的问题，通过设计一个非均衡类别数据重采样的增强方案和一种全新的自适应交叉熵损失函数，能够有效针对局部类别进行自适应权重计算，增强了模型对弱类别学习能力，提升了其分类性能。

主权项：1.一种面向高分辨率大场景遥感影像的非均衡多地物要素分类方法，其特征在于：包括以下步骤：步骤1.数据预处理：选择带标签的高分辨率光学遥感影像进行标签设置，筛选典型地物要素；然后进行非重叠裁剪，得到光学遥感影像数据集，按照比例划分为训练集、验证集和测试集；步骤2.地物要素占比计算：统计步骤1的训练集数据中每个地物类别占比，作为数据增强和自适应交叉熵损失先验；步骤3.非均衡弱类别数据重采样与增强：设定阈值，对非均衡类别进行数据扩充，生成新的训练集，平衡类别之间的整体占比；步骤4.构造自适应交叉熵损失函数：对步骤2统计得到的地物类别占比进行反向并归一化，得到新的类别占比概率P；统计类别占比概率P的均值，作为阈值进行划分，得到交叉熵自适应权重参数；步骤5.深度神经网络特征提取与分类：将步骤3生成得到的新的训练集输入深度神经网络编码器E中进行特征提取；将提取到的图像特征输入到解码器D中进行解码，使用步骤1中生成的验证集预测每一代模型的分类结果；使用步骤4得到的自适应交叉熵损失函数进行反向传播，直到模型最终拟合，得到训练好的网络模型；步骤6.分类结果预测：使用步骤5中训练好的网络模型对步骤1中生成的测试集进行结果预测，得到像素级预测结果；步骤7.性能评估：对步骤6中得到的像素级预测结果的各个类别和整体质量进行评价指标的计算，量化网络精度，评估网络对不平衡类别的性能。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种面向高分辨率大场景遥感影像的非均衡多地物要素分类方法、系统、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD