[發明專利]基于深度殘差紋理網絡的地形識別方法及系統

在審

• 申請號: 201910130247.8
• 申請日: 2019-02-21
• 公開（公告）號: CN109871806A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 馬昕;宋鵬;宋銳;榮學文;田國會;李貽斌
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/52;G06K9/62;G06N3/04;G06N3/08;G06T7/41
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

1.一種深度殘差紋理網絡模型，其特征在于，包括：卷積層、全局池化層、紋理細節層和分類器；所述卷積層的輸出端分別連接全局池化層和紋理細節層，所述全局池化層和紋理細節層和輸出端均連接分類器；

卷積層提取圖像的空間特征，分別輸入到全局池化層和紋理細節層，所述全局池化層輸出圖像的整體空間幾何特征，所述紋理細節層輸出圖像的紋理細節特征，將這兩種特征拼接在一起輸入到分類器。

2.如權利要求1所述的一種深度殘差紋理網絡模型，其特征在于，所述卷積層包括：殘差卷積模塊以及與其連接的用于增加網絡深度的卷積模塊；所述殘差卷積模塊包括依次連接的1*1卷積層、BN層、3*3卷積層、BN層、1*1卷積層和ReLU激活函數層，所述殘差卷積模塊擬合的是輸出信號與輸入信號的差值。

3.如權利要求1所述的一種深度殘差紋理網絡模型，其特征在于，所述全局池化層對卷積層的輸出特征做降維處理，將降維處理之后的到的特征作為圖像的空間幾何特征。

4.如權利要求1所述的一種深度殘差紋理網絡模型，其特征在于，所述紋理細節層對卷積層的輸出特征做相鄰像素點的差值處理，將差值作為每個卷積特征的細節信息。

5.如權利要求1所述的一種深度殘差紋理網絡模型，其特征在于，所述分類器包括兩層全連接層，在第一層全連接層后進行L2標準化處理，在L2標準化后加入Dropout層，所述Dropout層在每一次迭代隨機將上一層全連接層的輸出節點以概率P置0，使得網絡每一次訓練中全連接層中處于工作狀態的神經元都不一樣。

6.一種基于深度殘差紋理網絡的地形識別方法，其特征在于，包括：

獲取地形圖像的特征；

基于權利要求1-5任一項所述的深度殘差紋理網絡模型，分別提取地形圖像的整體空間幾何特征和紋理細節特征；將上述提取的兩種圖像特征拼接在一起，進行地形分類識別。

7.如權利要求6所述的一種基于深度殘差紋理網絡的地形識別方法，其特征在于，通過紋理細節層提取地形圖像的紋理細節特征，具體為：對卷積層的輸出特征做相鄰像素點的差值處理，將差值作為每個卷積特征的細節信息。

8.如權利要求7所述的一種基于深度殘差紋理網絡的地形識別方法，其特征在于，

假設每個卷積特征為I，尺寸為n*n；取卷積特征的前n-1列作為X，取卷積特征的1到n-1列為Y，得到的相鄰像素點的差值矩陣為：D＝X_ij-Y_pq；其中，i＝{0,...n-2}，p＝{1,...n-1}，j,p＝{0,...n-1}，差值矩陣D的尺寸為n*n-1；

對得到的差值矩陣D進行填充處理，將第n-2列的數據填充到第n-1列，得到D_out，D_out的尺寸也是n*n；

對D_out進行平均池化處理，得到紋理細節層的輸出R；

對紋理細節層的輸出R進行標準化處理，得到地形圖像的紋理細節特征。

9.一種基于深度殘差紋理網絡的地形識別系統，其特征在于，包括服務器，所述服務器包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現權利要求6-8任一項所述的基于深度殘差紋理網絡的地形識別方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時執行權利要求6-8任一項所述的基于深度殘差紋理網絡的地形識別方法。