[發明專利]一種雙路徑小卷積網絡的高光譜圖像分類方法

有效

• 申請號: 202110241601.1
• 申請日: 2021-03-04
• 公開（公告）號: CN112966598B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 黨蘭學;龐沛東;侯彥娥;左憲禹;葛強;劉揚;林英豪;謝毅
• 申請（專利權）人: 河南大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 陳勇

1.一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，包括：

步驟1：使用兩個1×1小卷積堆疊構成復合層，并采用兩個所述復合層構建雙路徑小卷積特征提取模塊；

所述雙路徑小卷積特征提取模塊設置有用于特征提取的殘差路徑和稠密路徑，通過所述殘差路徑和稠密路徑將一個所述復合層的最后一層輸出劃分為兩組特征圖，并使用融合Concatenate操作將所述兩組特征圖合并，作為下一所述復合層特征提取的輸入；

步驟2：基于雙路徑小卷積特征提取模塊構建雙路徑小卷積網絡分類模型，所述雙路徑小卷積網絡分類模型包括數據預處理，光譜特征提取和空-譜特征融合；

通過雙路徑小卷積網絡分類模型使用1×1卷積結合全局平均池化層完成最終分類；

每個所述復合層中1×1小卷積順次執行BN、ReLU和Conv卷積操作；

所述殘差路徑為1×1小卷積采用identify mapping策略的跳躍連接方式構成，所述稠密路徑為1×1小卷積采用稠密連接方式構成；

通過公式(1)計算獲取每個雙路徑小卷積特征提取模塊的輸出特征圖數量：

C_out＝C_in+2×C×(1-r) (1)；

其中，C_in和C_out分別為雙路徑小卷積特征提取模塊的輸入和輸出特征圖的通道數，C為模塊中每個1×1卷積核個數，r為殘差通道率，表示模塊中末端進行殘差連接的通道數占總通道數的比例，0≤r≤1。

2.根據權利要求1所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，所述空-譜特征融合包括初始階段，所述初始階段使用3×3卷積的特征學習方式。

3.根據權利要求1所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，步驟2所述的數據預處理具體包括：

S1：輸入高光譜圖像的標記樣本進行零-均值標準化操作；

S2：逐次提取大小為S×S×B的鄰域立方體作為分類模型的輸入；

其中，S×S表示以第i個像素為中心的空間大小，B表示高光譜圖像的波段數量；

S3：將各鄰域立方體分別劃分為訓練集、驗證集和測試集。

4.根據權利要求1所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，步驟2所述的光譜特征提取具體包括：

S1：在首層位置利用1×1卷積核壓縮像素立方體的維度，并通過后接的ReLU層增加特征的非線性，得到非線性特征；

S2：將所述非線性特征輸入雙路徑小卷積特征提取模塊中，提取更加抽象的光譜信息。

5.根據權利要求2所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，步驟2所述的空-譜特征融合具體包括：

S1：在首層位置利用3×3卷積提取像素立方體的鄰域空間信息；

S2：將空-譜組合信息輸入雙路徑小卷積特征提取模塊中，深度學習空-譜融合特征；

S3：采用1×1卷積層與全局平均池化層相結合的方式融合所述空-譜特征完成最終的分類。

6.根據權利要求5所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，所述1×1卷積層和全局平均池化層中間設置有一個核為3×3，步長為2的平均池化層，所述平均池化層用于壓縮特征圖尺寸。

7.根據權利要求1～6任一所述的一種雙路徑小卷積網絡的高光譜圖像分類方法，其特征在于，方法還包括：

步驟3：基于訓練集，采用隨機梯度下降算法訓練模型參數；

定義在驗證集上損失率最小的模型為最佳模型，并將其保存；

輸入高光譜數據，并利用訓練后的最佳模型完成分類。