面向多时相图像序列的解耦表示学习方法及系统

技术特征：
1.一种面向多时相图像序列的解耦表示学习方法，其特征在于，包括以下步骤：步骤s1、获取原始多时相图像序列数据集，并划分得到训练集和测试集；步骤s2、以训练集为输入，依次经高分辨率尺度推论模型和低分辨率尺度推论模型推论，获取静态分量和动态分量的后验分布；步骤s3、根据静态分量和动态分量的后验分布，获取潜码s、潜码e和拼接潜码r；步骤s4、以拼接潜码r为输入，依次经低分辨率尺度生成模型和高分辨率尺度生成模型，获取重建的中间变量y
′
和观测变量x
′
；步骤s5、获取潜码s经分类器处理后得到的识别分类结果；步骤s6、获取训练集经高分辨率尺寸尺度推论模型、低分辨率尺度推论模型、低分辨率尺度生成模型、高分辨率尺度生成模型和分类器处理后的总损失函数，根据总损失函数，使用adam算法来迭代优化总损失函数，迭代完成后，模型训练完毕，即可获取多尺度变分自编码器的模型参数；步骤s7、加载获取的各模型参数以及测试集至多尺度变分自编码器上，获取多尺度变分自编码器的重建性能；其中，所述多尺度变分自编码器包括高分辨率尺寸尺度推论模型、低分辨率尺度推论模型、低分辨率尺度生成模型、高分辨率尺度生成模型。2.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s1，具体包括以下步骤：步骤s11、对多时相图像进行图像配准；步骤s12、剪裁配准后的多时相图像成图像块；步骤s13、随机打乱同一个地点不同时刻的图像块，每6个图像块横向拼接成一个多时相图像序列，获取多时相图像序列的数据集；步骤s14、按照预设比例，将数据集划分成训练集和测试集。3.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s2，具体包括以下步骤：步骤s21、打乱训练集中的数据样本顺序；步骤s22、以随机加载打乱后的训练集的数据样本形成输入数据流x，经高分辨率尺度推论模型推论处理，获取二倍降采样后的中间变量y；步骤s23、以中间变量y为输入，经低分辨率尺度推论模型推论处理，获取静态分量和动态分量的后验分布。4.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s3，具体包括以下步骤：步骤s31、从静态分量和动态分量的分布中随机采样，获取潜码s和潜码e；步骤s32、将潜码s中各时相分量顺序随机打散后重组，再与潜码e逐通道拼接成拼接潜码r。5.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s4，具体包括以下步骤：步骤s41、以拼接潜码r为输入，经低分辨率尺度生成模型处理，获取中间变量y的条件分布；
步骤s42、从获取的中间变量y的条件分布随机采样，获取重建中间变量y
′
；步骤s43、以拼接潜码r和重建中间变量y
′
为输入，经高分辨率尺度生成模型，获取观测变量x的分布；步骤s44、从获取的观测变量x的分布中随机采样，获取中间观测变量x
′
。6.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s6之前还包括以下步骤：建立静态分量和动态分量的前验分布；文中所提及的前验分布和后验分布定义由下式贝叶斯定理引出：p(θ|x)＝p(x|θ)p(θ)p(x)；其中，x是观测得到的数据即结果，θ是决定数据分布的参数即本质原因，p(θ)为θ的前验分布，反映的是观测到具体数据之前，对其产生的原因——参数θ的了解和认识，p(θ|x)是θ的后验估计，在给定观测变量x的具体观测数据之后，对于θ的新的认知，由观测结果x推导出产生因素θ的分布。7.如权利要求6所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s6，具体包括以下步骤：步骤s61、获取静态一致性损失项；步骤s62、获取交叉重建损失项；步骤s63、获取分类器的识别损失；步骤s64、获取变分自编码下界损失项；步骤s65、根据获取的静态一致性损失项、交叉重建损失项、分类器的识别损失以及变分自编码下界损失项，获取训练集经高分辨率尺寸尺度推论模型、低分辨率尺度推论模型、低分辨率尺度生成模型、高分辨率尺度生成模型和分类器处理后的总损失函数；步骤s66、根据总损失函数，执行反向传播和随机梯度下降算法不断循环迭代处理至模型收敛，获取各模型参数。8.如权利要求1所述的面向多时相图像序列的解耦表示学习方法，其特征在于，所述步骤s7中，具体包括以下步骤：步骤s71、打乱测试集中的样本数据顺序；步骤s72、随机加载打乱后的测试集的样本数据至多尺度变分自编码器中进行数据处理，获取重建观测变量；步骤s73、获取多尺度变分自编码器的序列图重建性能指标得分。9.一种面向多时相图像序列的解耦表示学习系统，其特征在于，包括：原始多时相图像序列获取模块，用于获取原始多时相图像序列数据集，并划分得到训练集和测试集；分量后验分布获取模块，与所述原始多时相图像序列获取模块通信连接，用于以训练集为输入，依次经高分辨率尺度推论模型和低分辨率尺度推论模型推论，获取静态分量和动态分量的后验分布；潜码获取模块，与所述分量后验分布获取模块通信连接，用于根据根据静态分量和动
态分量的后验分布，获取潜码s、潜码e和拼接潜码r；重建变量获取模块，与所述潜码获取模块通信连接，用于以拼接潜码r为输入，依次经低分辨率尺度生成模型和高分辨率尺度生成模型，获取重建的中间变量y
′
和观测变量x
′
；分类结果获取模块，与所述潜码获取模块通信连接，用于获取潜码s经分类器处理后得到的识别分类结果；模型收敛模块，与所述重建变量获取模块和所述分类结果获取模块通信连接，用于获取训练集经高分辨率尺寸尺度推论模型、低分辨率尺度推论模型、低分辨率尺度生成模型、高分辨率尺度生成模型和分类器处理后的总损失函数，根据总损失函数，使用adam算法来迭代优化总损失函数，迭代完成后，模型训练完毕，即可获取多尺度变分自编码器的模型参数；重建性能获取模块，与所述模型收敛模块通信连接，用于根据总损失函数，执行反向传播和随机梯度下降算法不断循环迭代处理至模型收敛，获取各模型参数；其中，所述多尺度变分自编码器包括高分辨率尺寸尺度推论模型、低分辨率尺度推论模型、低分辨率尺度生成模型、高分辨率尺度生成模型。10.如权利要求9所述的面向多时相图像序列的解耦表示学习系统，其特征在于，所述原始多时相图像序列获取模块进一步包括：配准子模块，用于对多时相图像进行图像配准；图像块获取子模块，与所述配准子模块通信连接，用于剪裁配准后的多时相图像成图像块；数据集获取子模块，与所述图像块获取子模块通信连接，用于随机打乱同一个地点不同时刻的图像块，每6个图像块横向拼接成一个多时相图像序列，获取多时相图像序列的数据集；划分子模块，与所述数据集获取子模块通信连接，用于按照预设比例，将数据集划分成训练集和测试集。

技术总结
本发明公开了一种面向多时相图像序列的解耦表示学习方法及系统，方法包括以下步骤：S1、获取原始多时相图像序列数据集，并划分得到训练集和测试集；S2、获取静态分量和动态分量的后验分布；S3、获取潜码S、潜码E和拼接潜码R；S4、获取重建的中间变量Y


技术研发人员：肖晶 李雅婷
受保护的技术使用者：武汉大学
技术研发日：2022.03.04
技术公布日：2022/7/1