自适应递归增量模型的遥感影像分类方法、装置及设备与流程

技术特征：
1.一种自适应递归增量模型的遥感影像分类方法，其特征在于，所述方法包括：获取任务区遥感影像，以及确定所述任务区的空间异质性水平与自适应递归增量模型对应空间异质性水平的差值；所述自适应递归增量模型包括至少一个神经网络隐藏层；若所述差值大于预设异质性阈值，则所述自适应递归增量模型增加至少一层所述神经网络隐藏层，得到更新后的自适应递归增量模型；所述更新后的自适应递归增量模型中各所述神经网络隐藏层均直接连接到输入层和输出层；根据所述任务区遥感影像对应的训练样本，训练所述更新后的自适应递归增量模型得到训练后的自适应递归增量模型；根据所述训练后的自适应递归增量模型对所述任务区遥感影像进行分类，得到所述任务区遥感影像的分类结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述差值大于预设阈值的情况下，将所述任务区遥感影像对应的训练样本，输入所述自适应递归增量模型；若所述自适应递归增量模型的输出结果与期望结果的差距大于预设分类阈值，则所述自适应递归增量模型增加至少一层所述神经网络隐藏层，得到更新后的自适应递归增量模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述任务区划分为多个单位面积大小的规则格网；计算各所述规则网格的空间异质性，以及根据各所述规则网格的空间异质性确定所述任务区遥感影像的空间异质性水平。4.根据权利要求1所述的方法，其特征在于，所述确定所述任务区遥感影像的空间异质性水平与自适应递归增量模型对应空间异质性水平的差值，包括：计算所述任务区遥感影像的空间异质性水平与自适应递归增量模型中各神经网络隐藏层对应空间异质性水平的差值；各所述差值中最小值为所述任务区遥感影像的空间异质性水平与自适应递归增量模型对应空间异质性水平的差值。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：若增加至少一层所述神经网络隐藏层，则初始化增加的所述神经网络隐藏层对应空间异质性水平；若未增加所述神经网络隐藏层，则按照以下方式更新最佳匹配层对应空间异质性水平：其中，m
best
为最佳匹配层对应空间异质性水平，a
i
为所述任务区遥感影像的空间异质性水平，q
best
为所述最佳匹配层对应空间区域的数量，所述最佳匹配层为所述差值中最小值对应的所述神经网络隐藏层。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：若未增加所述神经网络隐藏层，则按照以下方式更新所述预设异质性阈值：
其中，th为所述预设异质性阈值。7.根据权利要求2所述的方法，其特征在于，所述方法还包括：计算所述自适应递归增量模型的第l层神经网络隐藏层的输出结果与期望结果的偏差的均值标准差判断是否满足以下条件：其中，为所述自适应递归增量模型中神经网络隐藏层的输出结果与期望结果的最小值偏差的均值、标准差；若满足所述条件，则确定所述自适应递归增量模型的输出结果与期望结果的差距大于预设分类阈值。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：所述自适应递归增量模型增加至少一层所述神经网络隐藏层后，所述自适应递归增量模型中的参数或权重以随机方式在[-1,1]范围内采样。9.一种自适应递归增量模型的遥感影像自动分类装置，其特征在于，包括：获取模块，用于获取任务区遥感影像，以及确定所述任务区的空间异质性水平与自适应递归增量模型对应空间异质性水平的差值；所述自适应递归增量模型包括至少一个神经网络隐藏层；模型调整模块，用于若所述差值大于预设异质性阈值，则所述自适应递归增量模型增加至少一层所述神经网络隐藏层，得到更新后的自适应递归增量模型；所述更新后的自适应递归增量模型中各所述神经网络隐藏层均直接连接到输入层和输出层；训练模块，用于根据所述任务区遥感影像对应的训练样本，训练所述更新后的自适应递归增量模型得到训练后的自适应递归增量模型；预测模块，用于根据所述训练后的自适应递归增量模型对所述任务区遥感影像进行分类，得到所述任务区遥感影像的分类结果。10.一种电子设备，其特征在于，包括：处理器、存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有程序指令，所述处理器调用所述程序指令能够执行如权利要求1-8任一项所述的一种自适应递归增量模型的遥感影像分类方法。

技术总结
本发明公开了一种自适应递归增量模型的遥感影像分类方法、装置及设备，该方法包括：获取任务区遥感影像，以及确定任务区的空间异质性水平与自适应递归增量模型对应空间异质性水平的差值；自适应递归增量模型包括至少一个神经网络隐藏层；若差值大于预设异质性阈值，则自适应递归增量模型增加至少一层神经网络隐藏层，得到更新后的自适应递归增量模型；根据任务区遥感影像对应的训练样本，训练更新后的自适应递归增量模型；对任务区遥感影像进行分类，得到任务区遥感影像的分类结果。本发明实施例可以根据不同异质性程度自适应调整深度学习模型的层数，实现对遥感影像的自动分类，避免灾难性遗忘和计算资源的浪费。避免灾难性遗忘和计算资源的浪费。避免灾难性遗忘和计算资源的浪费。


技术研发人员：陈家阁 张宏伟 彭舒 赵文智
受保护的技术使用者：国家基础地理信息中心
技术研发日：2022.04.27
技术公布日：2022/8/5