本技术涉及于遥感影像处理，尤其是涉及一种跨场景遥感影像分类模型的持续学习方法、装置、电子设备及存储介质。
背景技术：
1、遥感对地观测传感器获得的遥感影像已广泛应用于矿山勘探、农业监测、环境管理等。遥感影像分类不仅是遥感信息处理中的基本问题之一，也是遥感技术实际应用的关键。深度学习方法因其较强的自主特征学习与类别判断能力已在遥感影像分类中取得了重要进展。然而，现有的遥感分类模型通常是在给定的数据集上进行训练与预测。当面对具有明显光谱差异、类别差异的不同数据集或分类场景时，已训练好的分类模型无法直接应用于新数据集，需对旧模型进行重新训练与调参，导致模型原有知识丢失与计算资源浪费，大大限制了遥感影像分类模型的应用范围。导致基于历史（旧任务）遥感影像的分类模型难以用于当前甚至未来的分类任务（新任务），在对地观测数据、特别是遥感数据海量化累积的基础上，当前遥感数据处理范式已不能满足遥感信息的快速获取下的重大需求。所以，如何对遥感影像的分类模型进行持续更新成为了不容小觑的技术问题。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种跨场景遥感影像分类模型的持续学习方法、装置、电子设备及存储介质，从而提高遥感影像分类模型跨场景的鲁棒性与实用性，使得遥感分类模型在海量涌现的遥感数据集下实现持续学习与更新。
2、本技术实施例提供了一种跨场景遥感影像分类模型的持续学习方法，所述持续学习方法包括：
3、基于旧跨场景遥感影像分类模型的多维卷积神经网络层对样本新任务遥感影像以及旧任务遥感影像的特征进行提取，确定出所述样本新任务遥感影像的新遥感影像特征以及所述旧任务遥感影像的旧遥感影像特征；
4、基于向量余弦角计算公式确定出所述新遥感影像特征以及所述旧遥感影像特征之间的余弦相似度，以使所述旧跨场景遥感影像分类模型基于所述余弦相似度进行特征度量学习得到初始遥感影像分类模型；其中，所述特征度量包括光谱特征度量和空间特征度量；
5、基于最大化新旧模型的一致性构造损失函数，利用所述损失函数的目标损失值对所述初始遥感影像分类模型的网络参数进行迭代优化，生成新跨场景遥感影像分类模型，以使所述新跨场景遥感影像分类模型对新任务遥感影像进行自动分类。
6、在一种可能的实施方式之中，针对于样本新遥感影像特征，所述基于旧跨场景遥感影像分类模型的多维卷积神经网络层对样本新任务遥感影像以及旧任务遥感影像的特征进行提取，确定出所述样本新任务遥感影像的新遥感影像特征以及所述旧任务遥感影像的旧遥感影像特征，包括：
7、将样本新任务遥感影像中的光谱向量输入至多维卷积神经网络层的光谱特征提取模块之中，对每个所述光谱向量进行多次卷积处理以及多次最大池化处理得到多个光谱特征；
8、将所述样本新任务遥感影像中的空间背景信息的空间切片输入至多维卷积神经网络层的空间特征提取模块之中，对每个所述空间切片进行卷积处理以及多次最大池化处理得到多个空间特征；
9、将多个所述空间特征以及多个所述光谱特征进行融合，得到所述新遥感影像特征。
10、在一种可能的实施方式之中，所述利用所述损失函数的目标损失值对所述初始遥感影像分类模型的网络参数进行迭代优化，生成新跨场景遥感影像分类模型，包括：
11、检测所述目标损失值是否小于等于预设损失值；
12、若是，则停止对所述初始遥感影像分类模型的网络参数的更改，生成所述新跨场景遥感影像分类模型；
13、若否，则继续对所述初始遥感影像分类模型的网络参数的更改，利用所述旧遥感影像特征以及所述新遥感影像特征继续对更改参数后的所述初始遥感影像分类模型进行训练，直至所述目标损失值小于等于所述预设损失值时停止训练，生成所述新跨场景遥感影像分类模型。
14、在一种可能的实施方式之中，通过以下步骤确定出所述目标损失值：
15、基于特征一致性损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型提取的特征进行计算，确定出新旧模型之间的特征一致性损失值；
16、基于类别损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型对同一任务遥感影像的分类结果进行计算，确定出新旧模型之间的类别损失值；
17、基于交叉熵损失函数对所述初始遥感影像分类模型对当前任务遥感影像的分类结果进行计算，确定出所述初始遥感影像分类模型的交叉熵损失值；
18、将所述特征一致性损失值、所述类别损失值以及所述交叉熵损失值相加，确定出所述目标损失值。
19、在一种可能的实施方式之中，所述基于特征一致性损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型提取的特征进行计算，确定出新旧模型之间的特征一致性损失值，包括：
20、对所述初始遥感影像分类模型所提取到的新遥感影像特征中的空间特征与所述旧跨场景遥感影像分类模型所提取到的旧遥感影像特征中的空间特征进行向量余弦角计算，确定出第一相似度值；
21、对所述初始遥感影像分类模型所提取到的新遥感影像特征中的光谱特征与所述旧跨场景遥感影像分类模型所提取到的旧遥感影像特征中的光谱特征进行向量余弦角计算，确定出第二相似度值；
22、基于所述特征一致性损失函数对所述第一相似度值以及所述第二相似度值，确定出所述特征一致性损失值。
23、在一种可能的实施方式之中，所述基于类别损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型对同一任务遥感影像的分类结果进行计算，确定出新旧模型之间的类别损失值，包括：
24、将第一任务遥感影像输入至所述初始遥感影像分类模型，输出第一分类结果；
25、将第一任务遥感影像输入至所述旧跨场景遥感影像分类模型，输出第二分类结果；
26、基于所述类别损失函数对所述第一分类结果以及所述第二分类结果进行计算，确定出所述类别损失值。
27、在一种可能的实施方式之中，所述基于交叉熵损失函数对所述初始遥感影像分类模型对当前任务遥感影像的分类结果进行计算，确定出所述初始遥感影像分类模型的交叉熵损失值，包括：
28、将当前任务遥感影像的输入至所述初始遥感影像分类模型之中，输出所述当前任务遥感影像的预测类别标签；
29、基于交叉熵损失函数对所述当前任务遥感影像的真实类别标签以及预测类别标签进行计算，确定出所述交叉熵损失值。
30、本技术实施例还提供了一种跨场景遥感影像分类模型的持续学习装置，所述持续学习装置包括：
31、特征提取模块，用于基于旧跨场景遥感影像分类模型的多维卷积神经网络层对样本新任务遥感影像以及旧任务遥感影像的特征进行提取，确定出所述样本新任务遥感影像的新遥感影像特征以及所述旧任务遥感影像的旧遥感影像特征；
32、特征度量学习模块，用于基于向量余弦角计算公式确定出所述新遥感影像特征以及所述旧遥感影像特征之间的余弦相似度，以使所述旧跨场景遥感影像分类模型基于所述余弦相似度进行特征度量学习得到初始遥感影像分类模型；其中，所述特征度量包括光谱特征度量和空间特征度量；
33、训练模块，用于基于最大化新旧模型的一致性构造损失函数，利用所述损失函数的目标损失值对所述初始遥感影像分类模型的网络参数进行迭代优化，生成新跨场景遥感影像分类模型，以使所述新跨场景遥感影像分类模型对新任务遥感影像进行自动分类。
34、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的跨场景遥感影像分类模型的持续学习方法的步骤。
35、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的跨场景遥感影像分类模型的持续学习方法的步骤。
36、本技术实施例提供的一种跨场景遥感影像分类模型的持续学习方法、装置、电子设备及存储介质，所述持续学习方法包括：基于旧跨场景遥感影像分类模型的多维卷积神经网络层对样本新任务遥感影像以及旧任务遥感影像的特征进行提取，确定出所述样本新任务遥感影像的新遥感影像特征以及所述旧任务遥感影像的旧遥感影像特征；基于向量余弦角计算公式确定出所述新遥感影像特征以及所述旧遥感影像特征之间的余弦相似度，以使所述旧跨场景遥感影像分类模型基于所述余弦相似度进行特征度量学习得到初始遥感影像分类模型；其中，所述特征度量包括光谱特征度量和空间特征度量；基于最大化新旧模型的一致性构造损失函数，利用所述损失函数的目标损失值对所述初始遥感影像分类模型的网络参数进行迭代优化，生成新跨场景遥感影像分类模型，以使所述新跨场景遥感影像分类模型对新任务遥感影像进行自动分类。从而提高遥感影像分类模型跨场景的鲁棒性与实用性，使得遥感分类模型在海量涌现的遥感数据集下实现持续学习与更新。
37、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种跨场景遥感影像分类模型的持续学习方法，其特征在于，所述持续学习方法包括：
2.根据权利要求1所述的持续学习方法，其特征在于，针对于样本新遥感影像特征，所述基于旧跨场景遥感影像分类模型的多维卷积神经网络层对样本新任务遥感影像以及旧任务遥感影像的特征进行提取，确定出所述样本新任务遥感影像的新遥感影像特征以及所述旧任务遥感影像的旧遥感影像特征，包括：
3.根据权利要求1所述的持续学习方法，其特征在于，所述利用所述损失函数的目标损失值对所述初始遥感影像分类模型的网络参数进行迭代优化，生成新跨场景遥感影像分类模型，包括：
4.根据权利要求1所述的持续学习方法，其特征在于，通过以下步骤确定出所述目标损失值：
5.根据权利要求4所述的持续学习方法，其特征在于，所述基于特征一致性损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型提取的特征进行计算，确定出新旧模型之间的特征一致性损失值，包括：
6.根据权利要求4所述的持续学习方法，其特征在于，所述基于类别损失函数对所述旧跨场景遥感影像分类模型以及所述初始遥感影像分类模型对同一任务遥感影像的分类结果进行计算，确定出新旧模型之间的类别损失值，包括：
7.根据权利要求4所述的持续学习方法，其特征在于，所述基于交叉熵损失函数对所述初始遥感影像分类模型对当前任务遥感影像的分类结果进行计算，确定出所述初始遥感影像分类模型的交叉熵损失值，包括：
8.一种跨场景遥感影像分类模型的持续学习装置，其特征在于，所述持续学习装置包括：
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的跨场景遥感影像分类模型的持续学习方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的跨场景遥感影像分类模型的持续学习方法的步骤。
