[發明專利]基于激活表達可替換性的遙感圖像建筑物識別方法

有效

• 申請號: 202010314628.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111539306B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 陳力;李海峰;彭劍;朱佳瑋;黃浩哲;崔振琦
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

本發明公開了基于激活表達可替換性的遙感圖像建筑物識別方法，包括以下步驟：獲取遙感圖像建筑物數據集；訓練普通深度神經網絡模型；計算識別所述模型中每個卷積核的獨立最大響應圖；計算每個卷積核的激活表達可替換性；根據每個卷積核的激活表達可替換性對模型卷積核進行修剪，保留小的激活表達可替換性；使用修剪后的深度神經網絡模型進行遙感圖像建筑物識別。本發明方法針對基于深度學習的建筑物識別模型提出激活的表達可替換性指標方法，它可以量化同層上每個卷積核在特征空間表達的可替換性，卷積核的激活的表達可替換性值越低，代表它在特征空間越不可替換，進而針對卷積核進行選擇性修剪，從而有效提高遙感圖像建筑物識別模型的識別精度。

技術領域

本發明屬于遙感圖像識別技術領域，涉及一種基于激活表達可替換性的遙感圖像建筑物識別方法。

背景技術

近年來，大量的遙感衛星升空的同時也帶來了大量的遙感影像。遙感影像數據日益劇增，包括具有不同光譜和空間分辨率的多種遙感影像。這些遙感圖像帶來了巨大的經濟價值。能在遙感圖像中快速的提取建筑物等目標可以有效的幫助城市規劃，基礎設施建設，違規建筑檢測等應用。當前，大量基于深度學習的建筑物識別算法應運而生，但由于不了解遙感圖像建筑物識別模型的泛化性，導致模型的整體識別精度難以滿足實際應用。

目前，對于度量深度學習模型泛化能力主要有兩種方法。第一種方案主要依賴于傳統的統計學習理論的方法，如VC維，Rademacher復雜性等算法去探索模型的魯棒性，復雜度與泛化之間的關系。這些理論認為含有大量參數的模型容易在數據上過擬合，但同時會降低在測試數據上的泛化能力。然而這一結論與目前深度學習模型的表現相反，傳統的統計學習理論無法合理的解釋深度學習模型的泛化能力。第二種方案主要從深度學習模型優化過程中參數空間的變化來解釋和評估模型的泛化能力。Schmidhuber認為模型的泛化能力與極小值的平直性和貝葉斯界限的平直性相關。然而Dinh指出非平滑的極小值深度學習模型其實也可以具有較好的泛化。Wang在貝葉斯框架下將解的平滑性和模型的泛化能力聯系在了一起，并從理論上證明了模型的泛化能力不僅和Hessian譜有關，還與解的平滑性、參數的尺度以及訓練樣本的數量也有關。除此之外，訓練深度學習模型的隨機梯度下降算法也可以提高模型的泛化能力。第二種方案中許多結論也具有矛盾性。

在實際應用中，通常用一個豐富且分布良好的遙感圖像建筑物測試集來評估模型的泛化能力。然而對此方法，Recht提出在特定測試集上得到性能良好的模型可能不能體現模型的本身泛化能力，基于測試集的正確率是脆弱的并容易受到數據分布中微小的變化而發生改變。測試集上的評估也存在不準確的問題。所以目前并沒有一種合理的算法可以正確的度量遙感圖像識別模型的泛化性。

發明內容

有鑒于此，本發明的目的在于提供基于激活表達可替換性的遙感圖像建筑物識別方法，本發明提出一種有效的評估遙感圖像識別模型的泛化性的指標，通過所述指標對遙感圖像識別模型進行修剪，從而提高模型的精度，進而提高模型的識別能力。

本發明的目的是這樣實現的，基于激活表達可替換性的遙感圖像建筑物識別方法，包括以下步驟：

步驟1，獲取遙感圖像建筑物數據集；

步驟2，訓練普通深度神經網絡模型；

步驟3，計算識別所述模型中每個卷積核的獨立最大響應圖；

步驟4，計算每個卷積核的激活表達可替換性；

步驟5，根據每個卷積核的激活表達可替換性對模型卷積核進行修剪，保留小的激活表達可替換性；

步驟6，使用修剪后的深度神經網絡模型進行遙感圖像建筑物識別。