买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于图像信息处理技术领域，公开了一种关系感知度量的跨域少样本遥感目标分类方法，首先，源域训练数据集被划分为伪支持集与伪查询集，使用伪支持集样本与伪查询样本的特征拼接，构建关系感知特征对，在源域特征处理分支内优化模型以形成类内紧凑、类间分散的特征空间。在源域特征处理分支与伪新域特征处理分支间对齐关系感知度量而得到域不变的特征空间，使得跨域少样本遥感目标分类性能提升。本发明提出关系感知度量以比较类内、类间关系。本发明提出了一种通用的语义相似度基准来分配伪标签以优化关系感知度量，克服了以往方法在不同新域下性能下降的缺点。

主权项：1.一种关系感知度量的跨域少样本遥感目标分类方法，其特征在于，步骤如下：该跨域少样本遥感目标分类方法的训练过程中，采用单一源域训练数据集以形成泛化性良好的模型，该模型在测试过程中目标域的多个测试数据集下分类表现良好；整个训练过程分为特征关系边界划分训练阶段和域不变特征空间形成训练阶段；特征关系边界划分训练阶段中，模型在单一源域训练数据集下，在源域特征处理分支学习所提出的关系感知度量以形成类内紧凑、类间分散的特征空间；域不变特征空间形成训练阶段利用对抗攻击方法在伪新域特征处理分支模拟域迁移，随后在源域特征处理分支和伪新域特征处理分支间对齐关系感知度量，以形成域不变的特征空间；步骤一、特征关系边界划分训练阶段：关系感知度量方法的结构包含源域特征处理分支和伪新域特征处理分支，每个分支都包含特征提取网络和分类头模型，其中，特征提取网络包括一组卷积、最大池化和主干结构；主干结构由四层残差块构成，其中每个残差块包含四组卷积和一个残差连接卷积；分类头模型主要由两个卷积块和两个全连接层组成，其中每个卷积块包含两组卷积-池化-非线性激活操作，每组卷积都采用大小的卷积核，全连接层的输入维度为卷积块输出特征的维度，输出维度为类别数量；对数据集处理：由单一源域训练数据集采样得到包含张图片的伪支持集，随后沿着所在维度抽样一列，得到包含张图片的伪查询集，以一种低开销的方式形成用于构建关系度量的数据集；首先，在源域特征处理分支使用特征提取网络得到伪支持集输出特征和伪查询集输出特征；随后沿第二维度对伪支持集输出特征的个样本进行平均加权，得到一组对应每个类的特征平均表示： 其中，为沿第二维度的第个切片张量；接着，通过将伪查询集输出特征中每个样本分别与个特征平均表示拼接，得到相应的关系感知度量特征；具体如下：在第二维度将复制次，将复制次，随后交换的第一维和第二维后再进行对齐；然后，沿着最后一个维度即通道维度连接变换后的和，从而构成关系感知度量特征，这一过程如下公式所示： 其中，表示特征拼接操作，表示对括号中的特征的第个维度复制次，表示交换括号中特征的第维度与第维度； 采样后得到，由此得到伪查询集输出特征中每个样本都分别与个特征平均表示在通道维度拼接，从而通过关系感知度量产生三种关系拼接对，即关系感知度量；对于伪查询集中的每一个样本，通过特征拼接产生个关系对；其中，当时，伪查询集输出的特征与个特征平均表示中的一个相同，存在一个由相同样本的特征拼接得到的关系对；当时，伪查询集输出的特征与个特征平均表示中的一个特征表示包含的K个同类别样本之一相同，从而形成一种具有极高语义相似度的关系对，将这两种关系对视为语义特征相似度基准，即同实例拼接形成的关系对；同时，还形成了个由相同类别样本但并非同实例样本组成的关系对，这类关系对由较高的语义相似度的样本组成；还有个由不同类别样本组成的关系对，这类关系对由语义不相关的样本组成；至此构建了关系感知度量，通过类内、类间关系约束以学习类内紧凑、类间分散的特征空间；为了利用关系感知度量训练源域特征处理分支，以同实例拼接形成的关系对的语义特征相似度基准为关系感知度量分配软标签；具体如下：同实例的关系对赋值为，相同类别但不同实例的关系对赋值为，不同类别的关系对赋值为；再为每个伪查询集中的样本分配关系感知软标签，得到；然后，将关系感知度量特征送入分类头模型，得到关系感知度量预测分数，利用指导关系感知度量学习类内类间关系；因此在源域特征处理通过的约束，产生以学习类内紧凑、类间分散的特征空间： 其中，表示沿第一维第个索引和第二维第个索引所对应的值；步骤二、域不变特征空间形成训练阶段：经过特征关系边界划分训练阶段的训练后，对源域特征处理分支下的特征提取网络的主干结构第一层输出的特征与执行风格对抗攻击与自适应实例归一化，具体如下：首先将伪支持集和伪查询集送入特征提取网络与分类头模型得到一组使分类损失上升的均值与方差攻击因子；接着利用均值和方差攻击因子改变源域特征处理分支第一层输出特征的均值与方差，产生一组伪新域特征的均值与方差；随后在伪新域特征处理分支，利用AdaIN在特征与基础上产生伪新域浅层特征与，接着在伪新域特征处理分支内进行关系感知度量并对齐源域特征处理分支和伪新域特征处理分支间的关系感知度量预测分数，具体如下：首先将与继续前向传递，得到特征提取网络最终输出的特征与；按照与特征关系边界划分训练阶段相同的方式，通过对与执行复制、交换与拼接操作构成伪新域特征处理分支下的关系感知度量特征；接着，将送入分类头模型，得到伪新域下的关系感知度量预测分数；为了提高模型泛化性，通过保持源域特征处理分支和伪新域特征处理分支的关系感知度量预测分数的一致性来形成域不变的特征空间，这一过程受损失约束： 。

全文数据：

权利要求：

百度查询： 大连理工大学 关系感知度量的跨域少样本遥感目标分类方法