[發(fā)明專利]基于Dual-ResNet小樣本學(xué)習(xí)的遙感影像場景精確分類方法

有效

• 申請?zhí)枺?/td>: 202010883679.9
• 申請日: 2020-08-28
• 公開（公告）號: CN112115806B
• 公開（公告）日: 2022-08-19
• 發(fā)明（設(shè)計）人: 王鑫;段林;張之露
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 周科技

1.一種基于Dual-ResNet小樣本學(xué)習(xí)的遙感影像場景精確分類方法，其特征在于：該方法包括以下步驟：

(1)構(gòu)建遙感場景圖像樣本數(shù)據(jù)集，并制作相應(yīng)的樣本類別標簽集合，將遙感場景圖像樣本數(shù)據(jù)集分為訓(xùn)練集Train和測試集Test；

(2)構(gòu)建ResNet-18卷積神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練集中任意兩張圖像X1,X2輸入該神經(jīng)網(wǎng)絡(luò)，得到兩張圖像的特征向量Gw(X1)和Gw(X2)；X1,X2的類別標簽為Label₁,Label₂；

ResNet-18卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：

(2.1)在輸入層中，將每一個遙感場景圖像歸一化為224×224大小；

(2.2)在第一層的卷積層中，定義64個尺寸為7×7的卷積核，設(shè)定步長為2，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.3)在第二層的池化層中，池化方法設(shè)為MAX pooling；

(2.4)在第三、四、五、六層的卷積層中，均分別定義64個尺寸為3×3的卷積核，設(shè)定步長為1，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.5)在第七層的卷積層中，定義128個尺寸為3×3的卷積核，設(shè)定步長為2，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.6)在第八、九、十層的卷積層中，均分別定義128個尺寸為3×3的卷積核，設(shè)定步長為1，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.7)在第十一層的卷積層中，定義256個尺寸為3×3的卷積核，設(shè)定步長為2，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.8)在第十二、十三、十四層的卷積層中，均分別定義256個尺寸為3×3的卷積核，設(shè)定步長為1，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.9)在第十五層的卷積層中，均分別定義512個尺寸為3×3的卷積核，設(shè)定步長為2，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.10)在第十六、十七、十八層的卷積層中，均分別定義512個尺寸為3×3的卷積核，設(shè)定步長為1，填充模式設(shè)置為SAME，激活函數(shù)設(shè)置為Relu；

(2.11)在第十九層的池化層中，池化方法設(shè)為Avg pooling；

(2.12)第二十層為全連接層；

其中，特征向量計算方法如下：

對于輸入圖像x，ResNet-18卷積神經(jīng)網(wǎng)絡(luò)第十八層的卷積層學(xué)習(xí)得到512個7×7大小的特征圖f_i，其中i＝1,…,512；對每個特征圖f_i通過ResNet-18卷積神經(jīng)網(wǎng)絡(luò)第十九層的平均池化層，得到的特征圖f_i所對應(yīng)池化的結(jié)果為：

其中為特征圖f_i第j行k列的元素值；將每個特征圖池化的結(jié)果組合成一個長度為512的列向量(AP₁,AP₂,...,AP₅₁₂)即為池化后的特征向量；將池化后的特征向量輸入全連接層，得到降維后的特征向量(FC₁,FC₂,...,FC_r)，其中r為全連接層的神經(jīng)元個數(shù)；該特征向量即為ResNet-18卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的遙感圖像的特征向量Gw(x)；

(3)計算兩個特征向量Gw(X1)和Gw(X2)之間的距離；將該兩個特征之間的距離與訓(xùn)練的樣本已知標簽Label₁,Label₂的關(guān)系構(gòu)建一個對比損失函數(shù)；

(4)設(shè)定訓(xùn)練次數(shù)，輸入訓(xùn)練集圖像至卷積神經(jīng)網(wǎng)絡(luò)，通過最小化對比損失函數(shù)訓(xùn)練網(wǎng)絡(luò)，更新網(wǎng)絡(luò)參數(shù)，直到參數(shù)取值收斂；收斂條件為對比損失函數(shù)的值較前一次訓(xùn)練計算的值不再減小；

(5)將測試集輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，得到測試集中每張圖像的特征向量；將該特征向量分別與訓(xùn)練集中每個類別的任一張圖像的特征向量進行距離計算；

(6)將步驟(5)中計算的各距離與預(yù)設(shè)閾值進行比較，若距離值小于或等于預(yù)設(shè)閾值，該距離對應(yīng)的訓(xùn)練集圖像所屬的類別作為相應(yīng)的測試集圖像的預(yù)測類別。