[發明專利]一種基于CNN模型嵌入的遙感圖像小樣本分類方法

在審

• 申請號: 202110377716.3
• 申請日: 2021-04-08
• 公開（公告）號: CN112990088A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 李勇;何子懿
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 昆明金科智誠知識產權代理事務所(普通合伙) 53216
• 代理人: 胡亞蘭

1.一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：包括以下步驟：

1)選用公開的遙感圖像數據集，設計合適的訓練測試比；

2)刪除卷積神經網絡ResNet-50模型最后的分類部分；

3)將微調后的卷積神經網絡ResNet-50作為特征提取器，提取遙感圖像的深度特征；

4)引入孿生網絡的結構思想，構建兩個權值共享的特征提取子網絡；

5)利用Softmax Loss函數優化特征提取結果；

6)嵌入SVM Loss函數完成遙感圖像小樣本分類任務，并對實驗結果進行評估。

2.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟1)包括：選用公開的遙感圖像數據集，分別設計1：9和2：8的訓練測試比，達到小樣本分類的目的。

3.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟2)中ResNet-50網絡模型包括1個卷積層、16個building block結構及1個全連接層，并將全連接層的分類部分刪除。

4.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟3)利用卷積層和building block結構自動提取遙感圖像深度特征，為了更好地提取特征，在遙感圖像上進行微調。

5.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟4)引入孿生網絡的結構思想，構建兩個權值共享的特征提取子網絡。其中一個子網絡與Softmax Loss連接，用于優化特征提取；另一個子網絡共享其權值，與SVM Loss連接，輸出最終分類結果。

6.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟5)Softmax Loss函數I(C(x_i))可通過下式計算：

z_i＝W_i^Tf+b_i

I(f)＝-logP_c

其中：W是softmax權值矩陣，b是偏差矩陣，c是目標類別，P_c是預測概率，f是提取的遙感圖像特征向量，f_i＝C(x_i)。

7.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述步驟6)SVM Loss函數V(f_i)可通過下式計算：

V(f_i)＝∑_j≠yi[max(0，f_iw_j-f_iw_yi+Δ)]

其中：f_i是提取得到的遙感圖像特征，j是遙感圖像類別，w_j是類別j的計算權重，y_i是遙感圖像x_i的正確分類，Δ是分類間隔參數。

8.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述遙感圖像小樣本分類模型的訓練目標是最小化損失函數L(x_i)和L(x_i1)；其中L(x_i)＝V(C(x_i))，L(x_i1)＝V(C(x_i1))。

9.根據權利要求1所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：該算法的最終分類準確度是SVM Loss后的最終分類準確度進行表示。

10.根據權利要求1-9任一項所述的一種基于CNN模型嵌入的遙感圖像小樣本分類方法，其特征在于：所述的公開遙感圖像數據集分別是WHU-RS19、UC Merced Land-Use和NWPU-RESISC45。