1.一种基于多中心点特征原型的跨域遥感图像检索方法，其特征在于，包括：获取包括源域标签数据和目标域无标签数据的跨域遥感图像数据集；

在基于循环标签一致性方法CLC所构建的原始检索模型中，在特征提取器 后增加存储器Memory，以形成改进的检索模型；

将跨域遥感图像数据集输入改进的检索模型，通过特征提取器 提取源域标签数据和目标域无标签数据中所有分类的图像样本；

通过存储器Memory生成源域标签数据每个分类中所有图像样本的特征向量，对每个分类中所有图像样本的特征向量进行求平均运算，得到源域标签数据每个分类的中心点特征S S原型C ；基于中心点特征原型C 为目标域无标签数据构造伪标签，使用伪标签为目标域无标T签数据中的每个分类分配多中心特征原型C ；

基于源域的中心点特征原型为目标域无标签数据构造伪标签，其具体包括：对存储器Memory进行初始化，生成源域标签数据中所有图像样本每个分类的特征原型SC ，汇总每个分类中所有样本的平均特征向量，得到中心点特征原型，计算方式为：其中， 为源域图像样本标签属于第 类的集合， 为该集合的样本个数， 为第个源域样本；

提取目标域无标签数据中所有图像样本的多个分类，计算每个分类到中心点特征原型的余弦相似度，选择相似度最相近的中心点特征原型为目标域无标签数据构造伪标签；

对伪标签执行k‑means聚类处理，以对目标域无标签数据中所有图像样本的每个分类分配多中心特征原型，计算公式为：其中， 为目标域样本， 为目标域样本数据第 类的集合， 为中心点特征原型，argmax为求值最大的索引操作，Kmeans为聚类操作；

S

将源域标签数据中每个分类的中心点特征原型C 和目标域无标签数据中每个分类的多T中心特征原型C 进行对比，得到跨域遥感图像的检索结果；

还包括：通过建立循环标签一致性来完成源域样本图像生成的伪标签和真实标签之间的交叉熵损失，建立循环标签一致性的过程具体包括：获取源域图像样本到目标域所有多中心点特征原型的相似性概率值prob，其计算公式为：其中，为温度系数，T为矩阵转置操作，max为求最大值操作， 为目标域样本， 为聚类操作的结果，p为源域样本图像特征向量，P为源域样本图像特征向量的集合，k为源域样本第k类的集合，K为源域总类别数，j为特征向量原型的索引；

利用计算出的概率值分布，使源域与目标域同类别之间的分布相近，其循环损失的公式为：其中， 为指示函数， 为相似性概率值，K为源域总类别数， 为源域图像样本数量，k为源域样本第k类的集合。

2.如权利要求1所述的一种基于多中心点特征原型的跨域遥感图像检索方法，其特征在于，所述存储器Memory包括：源域标签数据中所有图像样本每个分类的特征原型和目 标域所有图像样 本每个分类的 多中心点特征原 型，其中源域标签数据中所有图像样本每个分

类仅有一个中心点特征原型，目标域无标签数据中所有图像样本的每个分类具有 个多中心特征原型， 是类别个数。

3.如权利要求1所述的一种基于多中心点特征原型的跨域遥感图像检索方法，其特征在于，所述对每个分类中所有图像样本的特征向量进行求平均运算，其具体包括：设定源域标签数据中每个分类有N个图像样本，每个图像样本的特征向量表示为xi，其中i=1,2,...,N；

获取源域标签数据中每个分类的平均特征向量，其计算公式为：其中，center为平均特征向量，Sum为求和操作，N为图像样本总数，xi为每个图像样本的特征向量；

S

将每个分类的平均特征向量作为该分类的中心点特征原型C 。

4.如权利要求1所述的一种基于多中心点特征原型的跨域遥感图像检索方法，其特征在于，所述存储器Memory进行初始化时，对中心点特征原型和多中心特征原型进行更新，其具体包括：对于中心点特征原型，将每次训练中的一个分类中所有图像样本的特征提取出来后，采用动量更新，计算公式为：其中， 为更新速度系数， 为源域图像样本属于第 类的集合， 为该集合的所有样本个数；

对于多中心特征原型，为源域每一个样本赋予伪标签后，在每轮训练过程 中采用加权动量对其进行更新，公式为：其中， 为更新速度系数， 为目标域图像样本的伪标签属于第 类的集合， 为该集合的所有样本个数， 为聚类操作的结果。

5.如权利要求1所述的一种基于多中心点特征原型的跨域遥感图像检索方法，其特征S在于，所述得到源域标签数据每个分类的中心点特征原型C 后，采用对比学习损失函数使得源域中的每一个样本靠近各自分类的特征原型，其对比损失的公式为：其中， 为样本 类别所对应的中心点特征原型，为温度系数， 为目标域样本，为源域图像样本数量。

6.如权利要求1所述的一种基于多中心点特征原型的跨域遥感图像检索方法，其特征在于，还包括：通过熵最小化使目标域中的每个样本和各自对应的特征原型靠近，熵最小化的公式为：基于优化损失函数为：

其中，和 为平衡系数，E为超参数，Lcl为对比损失，Lcycle为循环损失，Lent为熵最小化。