[發明專利]基于NSGA-NET的遙感圖像識別方法

有效

• 申請號: 202010813478.1
• 申請日: 2020-08-13
• 公開（公告）號: CN112084877B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 金海燕;崔寧敏;蔡磊;肖照林;石俊飛
• 申請（專利權）人: 西安理工大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/774;G06V10/82;G06N3/084;G06N3/086;G06N3/0985;G06N3/0464
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王丹

1.基于NSGA-NET的遙感圖像識別方法，其特征在于，具體按照以下步驟實施：

步驟1、獲取遙感圖像數據集，將遙感圖像劃分成訓練集和測試集；對訓練集和測試集中的圖像進行預處理，得到網絡訓練所需要的輸入向量和目標矢量；

所述步驟1具體為：通過對訓練集中的遙感圖像切片提取特征值的集合作為特征庫，劃分好目標的不同類屬；再經過檢測得到待識別樣本或待識別區域，獲得切片圖像；接著對訓練圖像進行二值圖像反色處理，得到圖像的像素數值0和1；最后構造訓練集所需要的輸入向量和目標矢量，作為DNN網絡結構的輸入向量和訓練標簽；對于測試集同樣執行以上操作；

步驟2、初始化權重及各參數，隨機生成一組簡單的DNN網絡結構；

所述步驟2中：各參數包括：學習率learning?rate，隱藏層數目L，批處理大小batchsize，輪次epoch，網絡階段個數S和階段內節點個數ks；

步驟3、訓練網絡結構；

所述步驟3具體為：將訓練集數據輸入到種群中的每個網絡結構中進行訓練，使用標準隨機梯度下降反向傳播算法和余弦退火學習速率方案在訓練集上對網絡結構進行迭代訓練，直到獲取合適的權值，然后通過貝葉斯網絡自動優化網絡中的參數，從而降低損失函數，訓練過程中得到的識別準確率作為該網絡結構的適應度值；

步驟4、對訓練好的網絡結構進行編碼；

所述步驟4中，每個網絡結構分為多個階段，每個階段包含多個節點，節點分為默認節點、普通節點和孤立節點；網絡結構由S個階段組成，第s個階段用符號V_s，ks表示(s＝1，2，3…S)，V_s，ks階段中包含的節點個數為Ks；

編碼規則使用位來編碼階段內部節點之間的有向邊；第一位表示(V_s,1,V_s,2)節點之間是否有有向邊連接，接下來的兩位表示(V_s,1,V_s,3)，(V_s,2,V_s,3)之間是否有有向邊連接，以此類推直到階段內最后一位，存在有向邊連接則編碼為1，否則為0；在編碼最后添加一位表示跳過連接，直接將輸入信息轉發到輸出，繞過整個塊；

對于默認節點，每個階段內設置兩個默認節點，默認輸入節點表示V_s,0，接受來自前一階段的數據，執行卷積操作，并將輸出發送到沒有前置節點的每個節點V_s,1；默認輸出節點表示V_s,Ks+1，接受來自沒有后續節點的所有節點的數據，匯總執行卷積，并將輸出發送到池化層；

對于普通節點，為一個階段內除默認節點外的其他節點，每個節點代表一個卷積操作，對Ks個普通節點編號，并按照由小到大的順序排序；

對于孤立節點，如果存在孤立節點，則忽略孤立節點，不參與編碼，且默認節點不與孤立節點連接；

步驟5、使用NSGAII迭代進化編碼后的網絡結構；

所述步驟5具體為：

步驟5.1、將編碼后的N個初始個體作為父代種群，此時還未產生第一代子種群，對其進行快速非支配排序，按照網絡結構的適應度值和計算復雜度值劃分等級，保留等級越小的個體；

步驟5.2、通過二進制錦標賽法在父代種群中選擇個體兩兩一對，產生N對雙親，對其進行交叉變異，交叉和變異的概率分別為0.9和0.02，以此來產生新的N個個體，組成子代種群；

步驟5.3、評估子代種群的適應度值，對種群產生的新網絡結構進行訓練，對于舊模型，采用歷史錯誤率的平均值作為適應度，對于新模型，計算識別準確率作為其適應度，保留適應度低的個體；

步驟5.4、將父代和子代種群進行合并，大小為2N，對合并后的種群進行快速非支配排序，并且計算2N個個體的擁擠度，選擇N個非支配等級小且擁擠度大的個體作為新的父代，下一代的種群大小仍為N；重復執行步驟5.2-5.4，直到達到最大世代數，得到一組二進制基因型個體；

步驟6、對最后得到的一組二進制基因型進行解碼操作，得到一組識別錯誤率低且計算復雜度低的DNN網絡結構前沿；

步驟7、將經過預處理后的測試集輸入到網絡結構前沿中進行測試，輸出識別結果。