面向星群分布式的参数特征融合的遥感细粒度分类方法

摘要

本发明提供了一种面向星群分布式的参数特征融合的遥感细粒度分类方法，首先基于每个节点的细粒度样本集分配，对节点网络开展独立的样本训练并准备完成节点参数的特征融合；接着，基于每个节点网络的目标样本质量信息表计算每个节点网络的网络权重，将网络权重排名靠前的K个节点网络的网络参数进行融合得到全局网络参数；最后，将全局网络参数和基于每个大类对应的分组网络参数进行融合，得到融合分组参数并发送给对应的节点网络。这样，既能提升节点网络的泛化性能，又能确保节点网络的个性化性能，使得各节点网络的分类精度能够得到提升，具有鲁棒性和普适性。

说明书

技术领域

本发明涉及航空航天与计算机技术领域，特别是涉及一种面向星群分布式的参数特征融合的遥感细粒度分类方法。

背景技术

遥感平台成网观测是当今遥感卫星发展的重要趋势。现在空天观测平台逐渐增多，同一任务的飞行器经常成星座状密集运行，例如高分系列和北斗卫星等，因此需要研究星群任务多平台协同配合。现在的地面处理遥感数据的体系，需要等待卫星平台的数据下传，遥感图像解译速度慢，无法很好地达到遥感信息实时处理的要求。随着遥感卫星的单端处理能力的增强，现在的遥感平台可以将轻量级网络部署其上，以达到最新成像结果实时检测学习的目的。然而轻量化网络同样存在数据不足、解译效果差、泛化性能弱等问题。因此，遥感平台的端-云协同配合是当前遥感领域的重要研究课题之一，具有重大现实意义。

发明内容

针对上述技术问题，本发明采用的技术方案为：

本发明实施例提供一种面向星群分布式的参数特征融合的遥感细粒度分类方法，所述分布式网络包括部署在地面控制端的中心网络和部署在n个飞行器上的n个节点网络，所述中心网络与所述n个节点网络通信连接，每个节点网络的网络结构相同，均包括m个网络参数；所述n个飞行器用于对属于M个大类的目标进行检测，每个节点网络用于对属于同一大类的目标进行检测；所述方法包括如下步骤：

S100，对于任一节点网络N

S200，对于任一节点网络N

S300，基于节点网络N

S400，设置C＝C+1，如果C＞C0，执行S500；否则，更新N

S500，将N

S600，基于获取到的Ti和y(i)，获取节点网络N

S700，基于M1个网络权重获取K个目标网络权重，并获取所述K个目标网络权重对应的节点网络发送的当前网络参数；

S800，基于目标网络权重、所述目标网络权重对应的节点网络发送的当前网络参数以及Q个大类，得到每个大类对应的融合分组参数，并发送给对应的节点网络，执行S200。

本发明至少具有以下有益效果：

本发明实施例提供的面向星群分布式的参数特征融合的遥感细粒度分类方法，首先基于每个节点的细粒度样本集分配，对节点网络开展独立的样本训练并准备完成节点参数的特征融合；接着，基于每个节点网络的目标样本质量信息表计算每个节点网络的网络权重，将网络权重排名靠前的K个节点网络的网络参数进行融合得到全局网络参数；最后，将全局网络参数和基于每个大类对应的分组网络参数进行融合，得到融合分组参数并发送给对应的节点网络。这样，既能提升节点网络的泛化性能，又能确保节点网络的个性化性能，使得各节点网络的分类精度能够得到提升，具有鲁棒性和普适性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的面向星群分布式的参数特征融合的遥感细粒度分类方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的面向星群分布式的参数特征融合的遥感细粒度分类方法的流程图。

本发明实施例提供一种面向星群分布式的参数特征融合的遥感细粒度分类方法，用于为分布式网络的各节点网络获取合适的网络参数。

在本发明实施例中，所述分布式网络包括可部署在地面控制端的中心网络和部署在n个飞行器上的n个节点网络。其中，所述中心网络与所述n个节点网络通信连接，每个节点网络的网络结构相同，均包括m个网络参数。所述n个飞行器用于对属于M个大类的目标进行检测，每个节点网络用于对属于同一大类的目标进行检测，即每个节点网络用于检测一个大类的目标。

在本发明实施例中，飞行器例如可为卫星系统。节点网络可为轻量化神经网络，例如可为CNN、VGGNet和ResNet。M个大类可基于实际需要进行设置，在一个示意性实施例中，M个大类可包括飞机、船舶和建筑物等。

在本发明实施例中，每个节点网络使用的卷积核的大小可为1*1的卷积核。

如图1所示，所述方法可包括如下步骤：

S100，对于任一节点网络N

在本发明实施例中，IMG

本领域技术人员知晓，N

S200，对于任一节点网络N

S300，基于节点网络N

在本发明实施例中，N

在本发明实施例中，如果N

S400，设置C＝C+1，如果C＞C0，执行S500；否则，更新N

S500，将N

进一步地，在S500中，S

S501，从N

d可基于实际需要进行设置，可为经验值。本领域技术人员知晓，任何将d幅特征图进行拼接的方法均属于本发明的保护范围。

S502，对拼接的特征图进行降维计算，得到S

本领域技术人员知晓，任何对拼接的特征图进行降维计算得到S

在本发明实施例中，最开始发送给中心网络的目标样本质量评估表中的分值可随机生成，也可基于S501至S502获取得到。

S600，基于获取到的Ti和y(i)，获取节点网络N

在本发明一实施例中，

在本发明另一示意性实施例中，

在本发明实施例中，由于在节点网络和中心网络的交互过程中，某些节点网络基于接收到的融合分组参数可能已经收敛，不再向中心网络发送对应的目标样本质量评估表，所以中心网络每次接收到的目标样本质量评估信息表的数量会发生变化，同理，每次获取的大类数量也会发生变化，即M1≤n，Q≤M。

在本发明实施例中，N

S700，基于n个网络权重获取K个目标网络权重，并获取所述K个目标网络权重对应的节点网络发送的当前网络参数。

在S700中，所述K个目标网络权重为按照降序排列后的n个网络权重中的前K个网络权重。具体地，先将n个网络权重按照降序方式进行排序，然后，从降序排序后的n个网络权重中获取位于前K位的K个网络权重作为K个目标网络权重。K可基于实际需要进行设置，例如，

进一步地，每个目标网络权重对应的节点网络发送的当前网络参数可通过如下步骤获取：

S701，基于每个目标网络权重对应的节点网络对应的目标样本质量评估表，获取该节点网络所检测的目标所属的大类。

S702，基于获取的所检测的目标所属的大类，选择对应的采样方式对当前输出的特征图进行采样。

每个大类所对应的采样方式根据实际需要进行设置。具体地，如果所检测的目标所属的大类为飞机，则选择下采样方式；如果所检测的目标所属的大类为船舶，则选择原始采样方式；如果所检测的目标所属的大类为建筑物，则选择下采样方式。

S703，基于采样结果更新当前网络参数，将更新后的网络参数作为发送给中心网络的当前网络参数。

本领域技术人员知晓，任何基于采样结果更新当前网络参数的方法均属于本发明的保护范围。

S701至S703的技术效果在于，能够基于每个节点网络所检测的类别来调整对应的网络参数，能够提升检测精度。

S700的技术效果在于，只获取目标网络权重对应的节点网络的网络参数，一方面能够确保类别覆盖能力和类别训练效果等方面较好的节点网络的网络参数参与融合计算，另一方面能够降低节点网络和中心网络之间的通信次数。

S800，基于目标网络权重、所述目标网络权重对应的节点网络发送的当前网络参数以及Q个大类，得到每个大类对应的融合分组参数，并发送给对应的节点网络，执行S200。

进一步地，S800可具体包括：

S802，对K个目标网络权重进行归一化处理，得到归一化处理后的K个目标网络权重。可采用现有的归一化方式对K个目标网络权重进行归一化处理。

S804，获取全局网络参数PW＝(PW

S806，从当前需要发送融合分组参数的M1个节点网络中获取与Q个大类中的第r个大类对应的节点网络N

对于某个大类，例如飞机，如果某个节点网络的目标样本质量评估表中的子类别中包含该大类例如飞机，则将该节点网络作为与该大类对应的节点网络。

S808，获取升序网络权重w

S810，获取与第r个大类对应的融合分组参数PGFr＝(PGFr

在本发明实施例中，每个融合分组参数由于融合了全局网络参数和初始分组参数，能够自适应地实现尽可能保证节点网络已有的个性化分类性能，同时提升节点网络的泛化的能力。

在本发明实施例中，S100至S500的执行主体为节点网络，S600至S800的执行主体为中心网络。

进一步地，在本发明实施例中，在S300中，N

本发明实施例中，对于每个节点网络的损失函数，由于考虑了与全局网络参数的距离，能够达到最终结果的泛化性能。

进一步地，在本发明另一实施例中，S808被替换为：

S809，获取升序网络权重w

S809的技术效果在于，由于初始分组参数考虑了g(r)，与S808相比，在g(r)较大时，可以不使用全部的数据，能够减少计算量。

本发明实施例提供的面向星群分布式的参数特征融合的遥感细粒度分类方法，至少具有以下优点：

(1)将网络划分到了各个节点上的同时，让节点上的网络参数具备上传到中心网络的能力，实现节点网络泛化性能的进一步提升。充分考虑到了数据获取的分散性、节点网络的轻量性和中心网络的泛化性的结合，最大限度地在端上快速推理、参数轻量和中心融合泛化之间找到最优平衡点。

(2)从多端数据融合的角度，实现了星群网络的特征分域。将节点网络上的数据分布特点进行提取归纳，形成中心网络融合参考指标。既减少了中间网络交流次数，同时提升了特征域间信息的处理效率，为不同的节点网络给中心网络带来的泛化效益提供精确的定量参考，网络分域处理的性能得到大大提升。

(4)从中心网络向着多节点网络优化的角度，实现了星群网络的降维融合。将中心参数网络与不同类别的分布特点进行自适应优化，在提升节点网络融合能力的同时，减少中心网络对节点网络个性化性能的影响。使用分组卷积网络可以更好地提取不同分类的网络性能，对不同分布特点的类别也能有效开展降维融合。

(5)充分考虑了节点数量对于数据融合的参数增加和多节点优化的计算复杂度带来的挑战，对于网络优化过程中的参数选取方案和鲁棒性能开展一系列改进。使用自适应的损失函数加速网络的收敛，并有效地提升了对于不同节点数量网络的提取性能和泛化性能。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。