一种基于近样本及校正损失函数的遥感监测方法与流程

本发明涉及遥感监测方法，具体涉及一种基于近样本及校正损失函数的遥感监测方法。

背景技术：

1、遥感是指利用卫星、飞机、无人机等载体从高空或者远距离获取地球信息的一种技术，可以方便地获取地形、地貌、植被、水文、气象、环境等信息，在自然资源、环境监测、城市规划、农林牧渔、军事等方面都具有重要的意义。

2、近年来，遥感监测应用越来越广泛，如自然资源调查监测、生态环境调查监测、农作物种植面积监测等。这些监测积累了不同时间的遥感影像及分类成果，具有重要的应用价值。遥感图像分类是遥感监测的核心步骤，能够从遥感图像上解译及提取耕地、道路、水体、植被、军事目标等各类地物信息。

3、现有遥感图像分类主要是监督分类的方法，基于深度学习的监督分类方法成为研究和应用的重要方向。监督分类通过一定量的样本及标签来学习地物特征实现分类，离不开有标注、标签的样本。基于深度学习的遥感图像分类属于计算机视觉沥的语义分割问题，其一般流程是：基于影像进行人工标注和制作遥感影像数据集(或利用现有可用数据集)，建立深度学习遥感图像分类模型，模型训练调优，模型应用。

4、深度学习遥感图像分类方法是基于大数据的学习方法，从海量数据和样本中学习分类特征，离不开遥感大数据及样本。特别是需要将遥感图像上每一个像素进行标注和分类，需要大量样本标注工作。样本制作成为影像深度学习遥感监测模型的关键因素之一，进而影响遥感监测工作的高质量、规模化生产和作业效率。

5、此外，很多遥感分类及监测任务已实现周期性监测(如季度监测、年度监测)，如自然资源监测中的地类变化监测、城市国土空间监测等，农业领域地块提取、作物分类等，这些监测积累了过往许多时期的分类、监测成果。更好挖掘和利用它们具有重要意义。

6、现有深度学习遥感分类研究主要集中在如何构建深度学习模型方面，如农业工程学报2022年公开的文献《耕地“非农化”遥感解译样本分类体系及应用》利用了前时相的矢量数据抽取矢量边界、类别属性等先验信息；进行超像素分割，提取像斑的光谱和纹理特征；在先验信息引导下，利用同质性特征分析、异常检测的方法自动筛选样本，利用影像特征差异分析的方法确定最优影像特征；针对不同的耕地变化类型，选择最优影像特征，结合支持向量机分类实现耕地“非农化”区域检测。该方法以及现有基于深度学习的遥感监测模型存在下面两个问题：

7、1、遥感监测过程中的大量样本标注工作成为影响深度学习遥感监测的关键因素之一。现有遥感图像分类技术方法以监督分类为主，离不开样本标注，而且是对遥感图像上每一个像素进行准确标注，需要大量人工标注样本工作。遥感图像受不同的传感器、分辨率、拍摄时间、角度、天气状况等诸多因素影响，难以获取满足深度学习所需不同条件下的大量样本。

8、2、深度学习遥感监测中的训练、推理影像一般都是不一致的，如何最大程度利用本期影像制作样本数据集进行深度学习模型训练是一个挑战。一般地，深度学习模型是在专门收集制作的样本数据集上进行训练，然后在本期遥感影像上进行预测、推理，即推理影像和训练影像不一致造成深度学习的泛化误差。如前所述，遥感图像受多种因素的影响，现有样本数据集和本期监测影像存在一定的数据分布偏差，造成深度学习遥感分类模型泛化性能较差。通过在现有样本数据集上预训练模型并在当前影像上的微调可以提升模型的预测精度，但微调同样需要一定量的样本采集。最大程度直接使用本期影像制作样本数据集并学习和训练可以避免深度学习模型存在泛化能力差、效果不理想的问题。

9、因此，如何结合近期监测成果高效、高质量实现本期遥感影像的分类和监测是现在亟需解决的技术问题。

技术实现思路

1、本发明的目的是提供一种基于近样本及校正损失函数的遥感监测方法，以解决现有的遥感监测方法依赖大量样本导致样本采集和制作工作量大、深度学习遥感监测模型泛化性能差的技术问题。

2、为了达到上述目的，本发明提供了一种基于近样本及校正损失函数的遥感监测方法，其特殊之处在于，包括以下步骤：

3、步骤1、本期遥感影像预处理；

4、按照遥感影像预处理要求对本期遥感影像进行预处理操作，形成本期遥感影像预处理成果i；所述预处理操作包括辐射校正、几何校正、图像融合、镶嵌及裁切；

5、步骤2、获取对应区域近期监测结果；

6、根据本期遥感影像对应区域，在上一时期监测成果库中获取同区域、同位置的监测成果数据；若获取的监测成果为分类影像成果，则直接作为标签影像a；若获取的监测成果为矢量数据，则将其转换为分类影像成果后作为标签影像a；

7、步骤3、近样本数据集构建；

8、将所述本期遥感影像预处理成果i和上一时期监测结果的标签影像a进行叠加，取二者的交集区域作为有效的影像和标签范围；按照深度学习语义分割样本制作的要求进行裁切和命名，形成近样本遥感影像数据集；

9、步骤4、深度学习模型准备；

10、选择或构建合适的ai模型m；

11、步骤5、基于判别校正损失函数训练模型；

12、基于判别校正损失函数l1使用近样本遥感影像数据集训练所述ai模型m，直至达到预设训练停止条件，所述判别校正损失函数l1为：

13、l1＝fce(p)-λg(p)fce(p)；

14、其中，fce＝-log(p)为交叉熵损失函数，p为ai模型m最后得到的像素所属标签类别的概率；

15、

16、g(p)为指示函数，通过设置数值k，0.1≥k≥0.3；将概率p小于k的样本判别、区分出来，作为错误标签；g(p)fce为错误标签的损失；λ为超参数；

17、训练过程中进行模型评估测试，记录每轮训练的结果，保存评测性能最好的ai模型m，即最优ai模型m+；

18、步骤6、模型预测；

19、使用所述最优ai模型m+在本期遥感影像上进行推理，得到预测结果。

20、进一步地，步骤3之后步骤4之前还包括：

21、将步骤3形成的近样本遥感影像数据集与遥感语义分割数据集合并，得到综合数据集；

22、则步骤5中基于判别校正损失函数l1使用近样本遥感影像数据集训练所述ai模型m具体为：基于判别校正损失函数l1使用综合数据集训练所述ai模型m。

23、进一步地，所述上一期为前一天、前一个月、前一季度、前一年或指定的时间点；

24、所述ai模型m为机器学习模型或基于深度学习的模型。

25、进一步地，所述步骤5中，其训练方式为从头开始训练的方式或者用训练完成模型在当前影像上微调的方式。

26、进一步地，所述判别校正损失函数可以采用以下方式替换：

27、区分出正确、错误样本，进而仅利用正确样本、不使用错误样本进行训练。

28、本发明还提供了一种基于近样本及校正损失函数的遥感监测方法，其特殊之处在于，包括以下步骤：

29、步骤1、本期遥感影像预处理；

30、按照遥感影像预处理要求对本期遥感影像进行预处理操作，形成本期遥感影像预处理成果i；所述预处理操作包括辐射校正、几何校正、图像融合、镶嵌及裁切；

31、步骤2、获取对应区域近期监测结果；

32、根据本期遥感影像对应区域，在上一时期监测成果库中获取同区域、同位置的监测成果数据；若获取的监测成果为分类影像成果，则直接作为标签影像a；若获取的监测成果为矢量数据，则将其转换为分类影像成果后作为标签影像a；

33、步骤3、近样本数据集构建；

34、将所述本期遥感影像预处理成果i和上一时期监测结果的标签影像a进行叠加，取二者的交集区域作为有效的影像和标签范围；按照深度学习语义分割样本制作的要求进行裁切和命名，形成近样本遥感影像数据集；

35、步骤4、深度学习模型准备；

36、选择或构建合适的ai模型m；

37、步骤5、基于感知校正损失函数的模型训练；

38、基于感知校正损失函数l2使用近样本遥感影像数据集训练所述ai模型m，直至达到预设训练停止条件，所述感知校正损失函数l2为：

39、l2＝f(p)fce(p)＝-f(p)log(p)；

40、其中，fce＝-log(p)为交叉熵损失函数，p为ai模型m最后得到的像素所属标签类别的概率；f(p)为p的单调增函数；

41、训练过程中进行模型评估测试，记录后续每轮训练的结果，保存评测性能最好的ai模型m，即最优ai模型m+；

42、步骤6、模型预测；

43、使用所述最优ai模型m+在本期遥感影像上进行推理，得到预测结果。

44、进一步地，步骤3之后步骤4之前还包括：

45、将步骤3形成的近样本遥感影像数据集与遥感语义分割数据集合并，得到综合数据集；

46、则步骤5中基于感知校正损失函数l2使用近样本遥感影像数据集训练所述ai模型m具体为：基于感知校正损失函数l2使用综合数据集训练所述ai模型m。

47、进一步地，步骤4中，所述ai模型m为机器学习模型或基于深度学习的模型。

48、进一步地，所述步骤5中，其训练方式为从头开始训练的方式或者用训练完成模型在当前影像上微调的方式。

49、进一步地，所述感知校正损失函数可以采用以下方式替换：

50、区分出正确、错误样本，进而仅利用正确样本、不使用错误样本进行训练。

51、本发明的有益效果：

52、1、本发明使用上一时期的分类成果作为本时期分类的近似标签，结合本期影像快速制作样本集；因为挖掘、利用了近似标签，一方面尽可能的避免了当前时期影像的人工样本标注、采集问题，减少了人工采集的工作量；另一方面实现了直接在要预测、推理的影像上进行训练，减小深度学习模型泛化问题的影响。整体上实现了无需样本采集的、减小泛化误差影响的遥感图像监督分类，可以形成批量化、自动化的生产工艺流程，加速深度学习方法应用和提高生产效率。

53、2、本发明通过训练过程中样本概率值的特征挖掘、指示函数区分正确和错误样本或者感知加权正确和错误样本，并形成两种校正损失函数，能够尽可能减小近样本中错误样本的影响，简单有效地提升模型效果。

54、3、本发明可以应用于有往期监测成果的深度学习遥感图像监督分类方法，适用于深度学习语义分割、深度学习地物提取相关模型，在样本的构建过程、训练损失函数方面提出了创新和改进；可以用于从零开始训练人工智能模型，也可以用于预训练模式下的微调过程(训练完成的模型在当前影像上微调)。