1.一种联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于包括如下步骤:步骤(1):选取无人机多光谱影像,并对无人机多光谱影像进行预处理;
步骤(2):制作深度学习语义标签;
步骤(3):计算纹理特征和植被指数;
步骤(4):利用RFE‑PCA方法进行数据降维;
其中,通过联合递归特征消除和主成分分析,对多维度遥感数进行降维,进而降低深度学习模型的训练时间,并提高模型的分类性能;
步骤(5):构建训练样本集;
步骤(6):设计多维遥感数据组合方案;
步骤(7):扩展训练样本集;
步骤(8):设计一种基于混合深度卷积改进的编码‑解码器语义分割网络M‑IEDNet;
M‑IEDNet由编码器和解码器两部分构成,其中编码器由基于混合深度卷积改进的Aligned Xception网络和基于深度可分离空洞卷积的空间金字塔池化(DSASPP)组成,而解码器由级联上采样卷积模块组成;
在编码器部分,设置5×5、7×7、9×9卷积核,通过增加大感受野的卷积核来提升模型的性能,同时将原空洞空间金字塔池化ASPP中的卷积均替换为深度可分离卷积,即为DSASPP;
在解码器部分,由四个2倍上采样卷积模块组成,采用级联上采样的方式将四种不同的低级位置特征与高级语义信息进行融合;
步骤(9):结合M‑IEDNet算法与多种数据组合方案以构成多种分类模型,并对模型进行训练;
步骤(10):将步骤(8)的训练模型的参数作为其他方案的基准,采用不同的迁移学习策略进行迁移学习训练;
步骤(11):对每种方案对应的数据进行滨海湿地物种分布图的预测。
2.根据权利要求1所述联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于所述步骤(1)中,对无人机进行预处理,生成数字正射影像和数字地表模型。
3.根据权利要求2所述联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于所述步骤(2)中,根据实测数据和处理生成的数字正射影像,结合目视解译来制作滨海湿地深度学习语义标签数据。
4.根据权利要求1所述的联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于所述步骤(4)中,其中RFE算法通过迭代构建模型,再根据重要性排名去掉排名末尾的特征,然后在剩余特征中重复该过程,直至遍历所有特征;PCA算法通过某种线性投影将高维数据映射至低维,以最大程度保留原始数据的信息并降低数据的维度。
5.根据权利要求1所述联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于所述步骤(8)中,编码器部分,128通道采样的是3×3、5×5卷积核,256通道采样的是3×3、5×5、7×7卷积核,728通道采样的是3×3、5×5、7×7、9×9卷积核;此外,在进行卷积后均使用批归一化和ReLU激活函数来组成一个卷积模块,其中卷积过程的公式如下:其中*为有效的二维互相关算子,N为批次大小,C为通道数,H为图像的高度,W为图像宽度,k为对应的不同维度;
批标准化(Batch Normalization)的公式如下:其中γ的初始值为1,β的初始值为0,且二者均为可学习的超参数,Var为标准差的计算,∈为大于0的极小数(防止分母为零);
ReLU激活函数的公式如下:
+
Output=ReLU(Input)=(Input) =max(0,Input)。
6.根据权利要求1所述联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于所述步骤(10)中,提出了三种迁移学习策略来对模型进行迁移学习;其一为冻结参数的迁移学习,即把模型的骨干网络的参数的学习率降低至零,其余的参数的学习率降低至原来的十分之一;其二为微调参数的迁移学习,即把模型的骨干网络的参数降低至原来的百分之一,其他的参数的学习率降低至原来的十分之一;其三为不同时相和传感器间的迁移学习,即把模型的所有参数的学习率降低至原来的十分之一;三种迁移学习的流程如下:
101、定义FTL、FtTL模型,及预训练权重、初始模型和数据集;
‑3
其中,学习率的初始值定义为lr为10 ;
102、判断FTL是否为真,为真,则把lr/10赋予model.lr,把0赋予model.backbone.lr,
103、判断FtTL是否为真,为真,把lr/10赋予model.lr,把lr/100赋予model.backbone.lr,
104、否,则把lr/10赋予model.lr,把w赋予model.weight,
105、从t=1开始进行循环,并把Datat输入model;
106、返回model(Datat)。
7.根据权利要求1所述联合多种迁移学习策略的滨海湿地植被遥感识别方法,其特征在于进一步包括有步骤(12):采用评价指标对步骤(10)中的预测结果进行精度评估;
评价指标是指采用用户精度(UA)、制图精度(PA)、平均精度(AA,PA与UA的均值)、Kappa值与总体分类精度(OA)5种精度指标、混淆矩阵和麦克尼马尔卡方检验来验证模型对湿地植被的分类情况。