CN115661504B 基于迁移学习和视觉词包的遥感样本分类方法 （北京数慧时空信息技术有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115661504B(45)授权公告日2025.07.04

(21)申请号202211019600.3

(22)申请日2022.08.24

(65)同一申请的已公布的文献号申请公布号CN115661504A

(43)申请公布日2023.01.31

(73)专利权人北京数慧时空信息技术有限公司地址100070北京市丰台区海鹰路1号院1

号楼二层201

(72)发明人贾若愚刘仕琪李洁邹圣兵

(74)专利代理机构北京恒程知识产权代理有限公司11914

专利代理师宋朝政

GO6V10/762(2022.01)

GO6V10/82(2022.01)

GO6V10/44(2022.01)

GO6V10/46(2022.01)

GO6N3/0464(2023.01)

GO6N3/096(2023.01)

(56)对比文件

CN103413142A,2013.11.27CN106056043A,2016.10.26审查员刘义乐

权利要求书2页说明书9页附图1页

(51)Int.CI.

GO6V

GO6V

10/764(2022.01)20/10(2022.01)

(54)发明名称

基于迁移学习和视觉词包的遥感样本分类方法

(57)摘要

CN115661504B本发明提供一种基于迁移学习和视觉词包的遥感样本分类方法，该方法包括：获取样本集和源域集；构建组合模型，包括深度学习网络和迁移学习算法；将样本集和源域集输入组合模型，得到样本集的标签，并对样本集的标签基于场景类别进行编号；对样本集进行二次特征提取，得到特征集，采用聚类方法对特征集进行聚类，得到视觉词典；对样本集中的每个样本图像进行视觉单词映射，生成视觉词包分布图，对视觉词包分布图进行低维度统计，得到视觉词包特征的低维度统计表示；将视觉词包特征的低维度统计表示和标签编号作为训练数据，训练得到场景分类模型。本发明的方法充分利用前期影像的

CN115661504B

获取样本集，同时在前期影像库中筛选源域集；

获取样本集，同时在前期影像库中筛选源域集；

构建组合模型，包括深度学习网络和迁移学习算法：

将所述样本集和所述源域集输入所述组合模型，通过所述深度学习网络提取局部特征，利用所述迁移学习算法对所述源域集基于局部特征进行迁移，并构建所述局部特征与标签的映射关系，得到所述样本集的标签，并对所述样本集的标签基于场景类别进行编号；

对所述样本集进行二次特征提取，得到特征集，采用聚类方法对所述特征集进行聚类，每个聚类中心的取值与对应的标签编号组成一个视觉单词，所有的所述视觉单词组成视觉词典；

对所述样本集中的每个样本图像与所述视觉词典中的视觉单词进行映射，生成视觉词包分布图，对所述视觉词包分布图进行低维度统计，得到视觉词包特征的低维度统计表示：

将所述视觉词包特征的低维度统计表示和标签编号作为训练数据，交叉训练得到多个基于不同场景的分类器，所有的分类器组成场景分类模型。

53

CN115661504B权利要求书1/2页

2

1.一种基于迁移学习和视觉词包的遥感样本分类方法，其特征在于，该方法包括：

S1获取样本集，同时在前期影像库中筛选源域集；

S2构建组合模型，包括深度学习网络和迁移学习算法；

S3将所述样本集和所述源域集输入所述组合模型，通过所述深度学习网络提取局部特征，利用所述迁移学习算法对所述源域集基于局部特征进行迁移，并构建所述局部特征与标签的映射关系，得到所述样本集的标签，并对所述样本集的标签基于场景类别进行编号；

S4对所述样本集进行二次特征提取，得到特征集，采用聚类方法对所述特征集进行聚类，每个聚类中心的取值与对应的标签编号组成一个视觉单词，所有的所述视觉单词组成视觉词典；

S5对所述样本集中的每个样本图像与所述视觉词典中的视觉单词进行映射，生成视觉词包分布图，对所述视觉词包分布图进行低维度统计，得到视觉词包特征的低维度统计表示；

S6将所述视觉词包特征的低维度统计表示和标签编号作为训练数据，交叉训练得到多个基于不同场景的分类器，所有的分类器组成场景分类模型。

2.根据权利要求1所述的基于迁移学习和视觉词包的遥感样本分类方法，其特征在于，该方法还包括：

获取新样本，根据步骤S3-S5,得到新