[發(fā)明專利]基于殘差連接的深度可分離卷積高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 202010816563.3
• 申請日: 2020-08-14
• 公開（公告）號: CN112115972B
• 公開（公告）日: 2022-11-22
• 發(fā)明（設(shè)計(jì)）人: 黨蘭學(xué);龐沛東;林英豪;劉揚(yáng);左憲禹;周黎鳴;賈培艷
• 申請（專利權(quán)）人: 河南大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標(biāo)代理有限公司 41111
• 代理人: 張立強(qiáng)

1.一種基于殘差連接的深度可分離卷積高光譜圖像分類方法，其特征在于，包括：

步驟1：構(gòu)建分類模型；所述分類模型的首層采用1×1卷積后接ReLU激活函數(shù)用于提取光譜信息的非線性特征；采用金字塔結(jié)構(gòu)的殘差單元，所述殘差單元有三個，并在每個殘差單元中采用兩個深度可分離的3×3卷積用于提取圖像中光譜-空間信息；分類模型末端，采用1×1卷積和全局平均池化層相結(jié)合用于融合空-譜特征，完成分類；每個所述殘差單元的具體執(zhí)行順序?yàn)锽N→3×3D-S Conv→BN→ReLU→3×3D-S Conv→BN，3×3D-S Conv為深度可分離的3×3卷積，并采用Zero-padded跳躍連接方式；

步驟2：通過構(gòu)建的分類模型完成高光譜圖像分類；所述步驟2包括：

將測試集輸入分類模型，使用1×1卷積后接ReLU激活函數(shù)法的方式提取輸入的鄰域立方體的非線性光譜特征；

在第1個殘差單元的兩層3×3卷積采用Srtide＝1，Padding＝1的SAME卷積操作，提取空間邊緣信息，并采用Zero-padded跳躍連接方式；

在第2，3個殘差單元上的兩層3×3卷積分別采用Stride＝2，Padding＝1的VAILD卷積操作和Stride＝1，Padding＝1的SAME卷積操作，提取空間特征，并在Zero-padded跳躍連接層上采用大小為2×2的平均池化，保證每個殘差單元前后特征圖大小一致；

采用1×1卷積與全局平均池化層相結(jié)合的方式融合空-譜特征完成最終的分類。

2.根據(jù)權(quán)利要求1所述的基于殘差連接的深度可分離卷積高光譜圖像分類方法，其特征在于，所述殘差單元采用小幅度線性增加特征圖通道數(shù)的方式，每個殘差單元的輸入通道數(shù)計(jì)算方式如公式(1)：

其中D_i為第i個殘差單元的輸出通道數(shù)，C表示模型首層的1×1卷積核的數(shù)量，R表示所有殘差單元的總數(shù)，α為大于0的整數(shù)。

3.根據(jù)權(quán)利要求1所述的基于殘差連接的深度可分離卷積高光譜圖像分類方法，其特征在于，在所述步驟1之前還包括：

輸入高光譜圖像的標(biāo)記樣本進(jìn)行零-均值標(biāo)準(zhǔn)化操作；

逐次提取大小為S×S×N的鄰域立方體作為分類模型的輸入，其中S×S表示以某個像素為中心的空間大小，N表示高光譜圖像的波段數(shù)量；

將各鄰域立方體劃分為訓(xùn)練集、驗(yàn)證集和測試集。

4.根據(jù)權(quán)利要求3所述的基于殘差連接的深度可分離卷積高光譜圖像分類方法，其特征在于，所述步驟1之后還包括：

基于訓(xùn)練集，采用隨機(jī)梯度下降算法訓(xùn)練模型參數(shù)，保存在驗(yàn)證集上損失率最小的模型為最佳分類模型。