[發(fā)明專利]基于可分離卷積和密集連接的高光譜圖像分類方法及介質

在審

• 申請?zhí)枺?/td>: 202011062549.5
• 申請日: 2020-09-30
• 公開（公告）號: CN112183399A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設計）人: 顏軍;宗達;蔣曉旭;鄧劍文;宋廷強;劉童心;黃騰杰;吳明朗;鄭忠良
• 申請（專利權）人: 珠海歐比特宇航科技股份有限公司;廣東歐比特人工智能研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭晨鳴

1.一種基于可分離卷積和密集連接的高光譜圖像分類方法，其特征在于，該方法包括：

S100，搭建高光譜分類網絡，以11*11*波段數(shù)的高光譜數(shù)據(jù)作為輸入數(shù)據(jù)，基于DenseNet算法以及分離卷積構建卷積神經網絡；

S200，對輸入數(shù)據(jù)使用密集連接方式進行特征提取，搭建三層卷積層，每層使用1×1×7的卷積核進行頻譜信息提取，并保持空間信息的獨立性，以及，將第一層網絡輸出與第二層網絡的輸出數(shù)據(jù)進行頻譜維度拼接，輸入至第三層網絡；將第一層網絡、第二層網絡與第三層網絡的輸出數(shù)據(jù)同樣進行維度拼接輸入到下一層；

S300，使用1×1×7的卷積核，對頻譜維度進行壓縮；

S400，以3×3的感受野對空間信息進行第一次融合，同時整合數(shù)據(jù)的頻譜信息，使用可分離卷積，將3×3×K的卷積核分解為3×3×1的卷積和3×3×K的卷積，K的值為輸入特征圖的頻譜維度，輸出對應數(shù)量的9×9×1的特征圖；

S500，使用無參的全局平均池化，將9×9×1的特征圖投票得出1×1×1的輸出值，輸出值拼接輸入全連接層，并通過softmax輸出分類。

2.根據(jù)權利要求1所述的基于可分離卷積和密集連接的高光譜圖像分類方法，其特征在于，所述S100還包括：

基于開源數(shù)據(jù)集對光譜數(shù)據(jù)進行預處理，包括將高光譜數(shù)據(jù)通過歸一化處理至[0，1]之間，以11*11*波段數(shù)的高光譜數(shù)據(jù)作為單條數(shù)據(jù)進行輸入。

3.根據(jù)權利要求2所述的基于可分離卷積和密集連接的高光譜圖像分類方法，該方法還包括：

對經過預處理的多個高光譜圖像劃分訓練集和驗證集，其中驗證集用于對卷積神經網絡的訓練進行分類準確度進行驗證，訓練集用于對卷積神經網絡的訓練進行參數(shù)調整，其中訓練集和驗證集的比例可自定義設置。

4.根據(jù)權利要求1所述的基于可分離卷積和密集連接的高光譜圖像分類方法，所述投票包括：

將9×9×1的特征圖中像素進行求總和計算，并計算平均值，將平均值作為中心點像素的輸出值。

5.根據(jù)權利要求1所述的基于可分離卷積和密集連接的高光譜圖像分類方法，該方法還包括：

設置初始學習率設為0.001，采用學習衰減率策略，每迭代3次，損失函數(shù)保持不變，學習率降為上一次學習率的百分之十，訓練樣本的數(shù)量可自定義設置。

6.根據(jù)權利要求1所述的基于可分離卷積和密集連接的高光譜圖像分類方法，所述S400還包括：

通過訓練損失與驗證損失圖確定網絡是否達到收斂，收斂則停止訓練，得到高光譜分類模型；

將高光譜測試數(shù)據(jù)輸入至高光譜分類模型，輸出分類結果。

7.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1-6任一所述的方法步驟。