[發(fā)明專利]一種雙路徑小卷積網(wǎng)絡(luò)的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 202110241601.1
• 申請日: 2021-03-04
• 公開（公告）號: CN112966598B
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計）人: 黨蘭學(xué);龐沛東;侯彥娥;左憲禹;葛強;劉揚;林英豪;謝毅
• 申請（專利權(quán)）人: 河南大學(xué)
• 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(biāo)代理有限公司 41111
• 代理人: 陳勇

本發(fā)明公開了一種雙路徑小卷積網(wǎng)絡(luò)的高光譜圖像分類方法，包括使用兩個1×1小卷積堆疊構(gòu)成復(fù)合層，并采用兩個復(fù)合層構(gòu)建雙路徑小卷積特征提取模塊，雙路徑小卷積特征提取模塊設(shè)置有用于特征提取的殘差路徑和稠密路徑，通過殘差路徑和稠密路徑將一個復(fù)合層的最后一層輸出劃分為兩組特征圖，并使用融合Concatenate操作將兩組特征圖合并，作為下一復(fù)合層特征提取的輸入，基于雙路徑小卷積特征提取模塊構(gòu)建雙路徑小卷積網(wǎng)絡(luò)分類模型，雙路徑小卷積網(wǎng)絡(luò)分類模型包括數(shù)據(jù)預(yù)處理，光譜特征提取和空?譜特征融合，通過雙路徑小卷積網(wǎng)絡(luò)分類模型使用1×1卷積結(jié)合全局平均池化層完成最終分類。本發(fā)明在能夠提高影像分類精度的同時兼顧簡化網(wǎng)絡(luò)復(fù)雜度。

技術(shù)領(lǐng)域

本發(fā)明屬于高光譜圖像分類技術(shù)領(lǐng)域，具體涉及一種雙路徑小卷積網(wǎng)絡(luò)的高光譜圖像分類方法。

背景技術(shù)

高光譜遙感可以收集到從可見光到近紅外波長范圍的電磁光譜，這種成像特點使得高光譜圖像擁有目標(biāo)物體的幾何空間信息，同時又具有眾多連續(xù)光譜信息。高光譜遙感被廣泛用在土地監(jiān)測，陸地植被識別，湖泊水質(zhì)檢測等場景。圖像分類一直以來都是高光譜遙感應(yīng)用中的一個核心環(huán)節(jié)，分類結(jié)果的好壞會直接影響到后續(xù)工作。因此，構(gòu)建一個精準(zhǔn)、高效的高光譜圖像分類模型至關(guān)重要。

對于一些傳統(tǒng)的分類算法而言，如支持向量機(SVM)，K近鄰算法(KNN)，稀疏表示法等，這類算法結(jié)構(gòu)較為簡單，如專利文獻CN110135399A公開的一種基于稀疏表示的遙感圖像特征提取與場景分類方法，采用K近鄰算法獲得歐氏距離，將稀疏重構(gòu)殘差和歐式距離進行線性加權(quán)，以獲得的結(jié)果作為類別標(biāo)簽，并根據(jù)最小化重構(gòu)誤差準(zhǔn)則對待測樣本進行分類；

這類方法在對光譜波段連續(xù)、空間復(fù)雜的高光譜數(shù)據(jù)進行處理時，其特征提取能力略顯不足，影響了分類精度。

近年來，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在自然圖像分類，語音識別，目標(biāo)檢測和圖像語義分割等領(lǐng)域中得到成功應(yīng)用，這些研究表明CNN具有強勁的特征提取能力。為了能夠有效提取高光譜圖像中的豐富信息，進一步提高分類精度，相當(dāng)一部分研究者使用CNN致力于高光譜圖像分類，并取得優(yōu)異效果。

當(dāng)前，3D卷積網(wǎng)絡(luò)流行于高光譜分類中。從特征學(xué)習(xí)的角度而言，3D卷積相對于2D卷積網(wǎng)絡(luò)，可控范圍擴大到時域，能學(xué)習(xí)到更多的時域信息，但是相應(yīng)的這種模式的計算開銷和訓(xùn)練耗時嚴(yán)重；

另一方面，大部分研究者往往使用帶有3×3，5×5或更大尺寸卷積核的殘差連接，稠密連接等學(xué)習(xí)策略來構(gòu)建高光譜分類模型，從而忽略了模型結(jié)構(gòu)的復(fù)雜度，其分類效率較低。

發(fā)明內(nèi)容

本發(fā)明為解決傳統(tǒng)分類算法導(dǎo)致影像分類精度低以及分類效率低的問題，提供一種雙路徑小卷積網(wǎng)絡(luò)的高光譜分類方法，本發(fā)明利用1×1小卷積結(jié)合殘差路徑和稠密路徑連接完成影像分類，在提高了影像分類精度的同時簡化了網(wǎng)絡(luò)的復(fù)雜度。

本發(fā)明提出了一種雙路徑小卷積網(wǎng)絡(luò)的高光譜圖像分類方法所述方法包括以下步驟：

步驟1：使用兩個1×1小卷積堆疊構(gòu)成復(fù)合層，并采用兩個所述復(fù)合層構(gòu)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(shè)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(fù)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(fù)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(gòu)建雙路徑小卷積網(wǎng)絡(luò)分類模型，所述雙路徑小卷積網(wǎng)絡(luò)分類模型包括數(shù)據(jù)預(yù)處理，光譜特征提取和空-譜特征融合；

通過雙路徑小卷積網(wǎng)絡(luò)分類模型使用1×1卷積結(jié)合全局平均池化層完成最終分類。

進一步地，每個所述復(fù)合層中1×1小卷積順次執(zhí)行BN、ReLU和Conv卷積操作。