(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211112719.5 (22)申请日 2022.09.14 (65)同一申请的已公布的文献号 申请公布号 CN 115205689 A (43)申请公布日 2022.10.18 (73)专利权人 北京数慧时空信息技 术有限公司 地址 100070 北京市丰台区海鹰路1号院1 号楼二层201 (72)发明人 陈宇　董铱斐　段红伟　邹圣兵　 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 105303198 A,2016.02.0 3 CN 110929643 A,2020.0 3.27 CN 112818966 A,2021.0 5.18 CN 108009549 A,2018.0 5.08 US 2022012644 A1,202 2.01.13 CN 101794 437 A,2010.08.04 审查员 钟茜 (54)发明名称 一种改进的无监 督遥感影 像异常检测方法 (57)摘要 本发明涉及遥感影像异常检测领域， 具体涉 及一种改进的无监督遥感影像异常检测方法。 该 方法通过构建包括特征自训练模块、 特征融合模 块、 异常分类模块的异常检测模型， 并通过异常 检测模型迭代地对无标记遥感影像进行异常检 测， 通过对迭代过程中每次异常检测分数求均 值， 得到异常检测结果。 一方面， 本发明构建的异 常检测模型， 通过平均融合算法与特征优化算法 提高了异常检测的精度； 另 一方面， 通过对每次 迭代中的异常检测模型的异常分数取平均值， 一 定程度上降低了伪标签噪声对模 型训练的影响， 在避免人力打标的前提下， 提高了异常检测的精 度。 权利要求书2页 说明书8页 附图2页 CN 115205689 B 2022.11.18 CN 115205689 B 1.一种改进的无监 督遥感影 像异常检测方法， 其特 征在于， 包括： S1 获取无标记遥感影像数据集， 所述无标记遥感影像数据集包括多个无标记遥感影 像数据； S2 建立遥感影 像异常检测模型， 包括特 征自训练模块、 特 征融合模块、 异常 分类模块； 所述特征自训练模块包括编码器、 解码器； 所述编码器用于对输入的无标记遥感影像 数据进行自训练特征提取， 得到自训练特征集； 所述解码器用于对输入的自训练特征集进 行特征重构， 得到 重构数据； 所述特征融合模块基于平均融合算法对输入的自训练特征集进行融合， 得到融合特 征； 所述异常分类模块包括异常检测特征提取网络、 输出网络； 所述异常检测特征提取网 络用于对输入的无标记遥感影像数据和重构数据进行异常检测特征提取， 得到无标记遥感 影像数据特征集和重构数据特征集； 通过特征优化算法基于融合特征对无标记遥感影像数 据特征集和重构数据特征集进 行优化， 得到优化的无标记遥感影像数据特征集和优化的重 构数据特征集； 所述输出网络对优化的无标记遥感影像数据特征集和优化的重构数据特征 集进行异常 分数计算， 得到无 标记遥感影 像数据的异常 分数和重构数据的异常 分数； S3 利用无监督异常检测算法对所述无标记遥感影像数据集进行图像异常检测， 得到 初始的无 标记遥感影 像数据的异常 分数； S4 根据样本筛选策略， 基于当前的无标记遥感影像数据的异常分数， 对无标记遥感影 像数据集进行筛选和伪标签赋予， 得到异常检测样本集， 所述异常检测样本集包括多个异 常检测样本， 所述异常检测样本由伪标签和无标记遥感影像数据组成， 所述伪标签包括正 常和异常两种类型； S5 将异常检测样本集输入遥感影像异常检测模型进行模型训练， 得到训练后的遥感 影像异常检测模型； S6 利用训练后的遥感影像异常检测模型对所述无标记遥感影像数据集进行异常检 测， 对无标记遥感影 像数据集的异常 分数进行 更新； S7 迭代执行步骤S4 ‑S6， 每次迭代均得到训练后的遥感影像异常检测模型、 该训练后 的遥感影像异常检测模型的模型精确度和无标记遥感影像数据的异常分数， 根据相邻两次 迭代的模型精确度计算变化 值， 判断变化 值是否满足迭代 停止条件， 若满足， 则停止迭代； S8 分别对每个无标记遥感影像数据在迭代过程中得到的所有异常分数求平均值， 得 到无标记遥感影 像数据的最终异常 分数； S9 根据无标记遥感影像数据的最终异常分数， 得到所述无标记遥感影像数据集中的 异常遥感影 像数据和正常遥感影 像数据； 所述特征优化算法包括： 将无标记遥感影像数据 特征集和重构数据 特征集作为待优化特征集， 待优化特征集包 括多个低层特 征和一个高层特 征； 通过背景抑制算法对所述融合特 征进行背景抑制， 得到背景抑制特 征； 保持待优化特征集中的底层特征不变， 提取待优化特征集中的高层特征， 将所述待优 化特征集中的高层特 征与背景抑制特 征进行拼接， 完成待优化特 征集的优化。 2.根据权利要求1所述的方法， 其特征在于， 所述遥感影像异常检测模型的损失值包括权　利　要　求　书 1/2 页 2 CN 115205689 B 2第一损失值、 第二损失值、 第三损失值和第四损失值； 所述第一损失值由无 标记遥感影 像数据的异常 分数以及重构数据的异常 分数确定； 所述第二损失值由归属于异常检测样本的无标记遥感影像数据的异常分数和该异常 检测样本的伪标签确定； 所述第三损失值由无 标记遥感影 像数据以及重构数据确定； 所述第四损失值由自训练特 征集的分布以及标准 正态分布确定 。 3.根据权利要求1所述的方法， 其特 征在于， 步骤S4包括： S41按照当前的无标记遥感影像数据的异常分数从小到大的顺序将无标记遥感影像数 据集进行排序； S42从正序开始筛选， 选出m个无标记遥感影像数据， 赋予伪标签正常， 得到m个正样本， 其中m＞1； S43从倒序开始筛选， 选出n个无标记遥感影像数据， 赋予伪标签异常， 得到n个负样本， 其中n＞1， 且n＜m； S44将正样本和负 样本合并得到异常检测样本集。 4.根据权利要求1所述的方法， 其特征在于， 所述无监督异常检测算法包括Z ‑score算 法、 KNN算法、 LOF算法、 孤立森林算法。 5.根据权利要求1所述的方法， 其特征在于， 所述异常检测特征提取网络包括多个卷积 层， 所述输出网络包括至少一个全连接层。权　利　要　求　书 2/2 页 3 CN 115205689 B 3