[發明專利]一種基于三維密集卷積神經網絡的遙感圖像分類方法

在審

• 申請號: 201910730211.3
• 申請日: 2019-08-08
• 公開（公告）號: CN110647909A
• 公開（公告）日: 2020-01-03
• 發明（設計）人: 程良倫;李慧
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 44102 廣州粵高專利商標代理有限公司
• 代理人: 林麗明

1.一種基于三維密集卷積神經網絡的遙感圖像分類方法，其特征在于，包括以下步驟：

S1：獲取原始遙感數據集，對所述原始遙感數據集進行數據增廣，然后劃分為訓練數據集和測試數據集；

S2：構建三維密集卷積神經網絡，其中所述三維密集卷積神經網絡包括三維卷積層、三維池化層、密集模塊、轉換層、全連接層；

S3：將所述訓練數據集中的訓練數據依次輸入所述三維密集卷積神經網絡中，將其輸出的特征映射輸入分類器中進行分類訓練，重復本步驟至所述三維密集卷積神經網絡的參數權重收斂或訓練數據集中的所有訓練數據完成分類，保存所述三維密集卷積神經網絡的參數權重；

S4：將所述測試數據集的測試數據依次輸入所述完成訓練的三維密集卷積神經網絡，將其輸出的特征映射輸入分類器中進行分類測試，判斷其分類結果準確率是否滿足預設的閾值，若是，則得到基于三維密集卷積神經網絡的遙感圖像分類模型，否則跳轉執行S1步驟；

S5：將待分類的遙感圖像輸入所述三維密集卷積神經網絡進行特征提取，將其輸出的特征映射通過分類器得到遙感圖像分類結果。

2.根據權利要求1所述的遙感圖像分類方法，其特征在于：所述S1步驟中，對所述原始遙感數據集進行數據增廣的具體步驟包括：將所述原始遙感數據集在幾何角度方面進行水平翻轉，在像素變換方面進行顏色抖動，然后對所述原始遙感數據集加入椒鹽噪聲和高斯噪聲。

3.根據權利要求1所述的遙感圖像分類方法，其特征在于：所述轉換層包括依次連接的批量歸一化層、整流線性單元、1*1*1卷積層和2*2*2平均池化層。

4.根據權利要求1所述的遙感圖像分類方法，其特征在于：所述密集模塊包括依次連接的BN-ReLU-Conv模塊和SE模塊組合。

5.根據權利要求4所述的遙感圖像分類方法，其特征在于：所述BN-ReLU-Conv模塊包括依次連接的批量歸一化處理層、整流線性單元、3*3*3卷積層；所述SE模塊包括依次連接的全局平均池化層、全連接層、整流線性單元、全連接層、sigmoid激活函數。

6.根據權利要求1～5任一項所述的遙感圖像分類方法，其特征在于：所述S3步驟的具體步驟如下：

S3.1：將所述訓練數據集中的訓練數據依次輸入所述三維密集卷積神經網絡中，所述訓練數據經過三維卷積操作、三維平均池化操作后得到所述訓練數據的特征映射；

S3.2：將所述特征映射輸入密集模塊中對其進行特征提取，然后將完成特征提取的特征映射輸入轉換層中進行降維處理；

S3.3：以所述完成降維處理的特征映射作為輸入重復執行S3.2步驟，至從三維密集卷積神經網絡中最后一個密集模塊輸出完成特征提取的特征映射，然后將所述完成特征提取的特征映射傳輸至三維池化層和全連接層中進行進一步的特征提取，將最終輸出的特征映射傳輸至分類器中進行分類；

S3.4：判斷所述三維密集卷積神經網絡的參數權重是否收斂或訓練數據集中的所有訓練數據是否完成分類，若是，則保存所述三維密集卷積神經網絡的參數權重，然后執行S4步驟，否則跳轉執行S3.1。

7.根據權利要求6所述的遙感圖像分類方法，其特征在于：所述S3.2步驟中，將所述特征映射輸入密集模塊中對其進行特征提取的具體步驟包括：

步驟A：將所述特征映射輸入密集模塊中的BN-ReLU-Conv模塊中，對所述特征映射依次執行批量歸一化處理、整流線性處理、3*3*3卷積處理；

步驟B：將BN-ReLU-Conv模塊輸出的處理結果輸入SE模塊中，并依次經過全局平均池化層、全連接層、整流線性單元、全連接層、sigmoid激活函數處理后，然后將SE模塊中各個通道的輸入與各個通道的權重相乘獲得輸出的特征映射；

步驟C：將SE模塊輸出的特征映射作為輸入再跳轉執行一次步驟A、步驟B，然后將SE模塊輸出的特征映射輸入轉換層中進行降維處理。