【技术实现步骤摘要】
一种基于可解释CNN图像分类模型的光学遥感图片分类方法
本专利技术属于图像处理
，具体涉及一种基于可解释CNN(ConvolutionalNeuralNetworks)图像分类模型的光学遥感图片分类方法，可用于包括飞机、舰船等地物目标的分类。
技术介绍
国外如谷歌、微软，国内如百度、腾讯和阿里巴巴等顶级互联网公司不约而同的提高了在人工智能这一产业的上投资力度。人工智能产业的实际应用潜移默化的影响着人们的生活方式。在人工智能的研究领域之中，深度学习的研究是一大重点，可以在人工智能的各个领域中得到应用，例如语音处理(speechsignalprocessing)、计算机视觉(computervision)和自然语言处理(naturallanguageprocessing)等。卷积神经网络CNNs(ConvolutionNerualNetworks)能够采取结合局部的感知区域、网络内共享权重以及在空间和时间上的池化进行降采样三种手段提取数据原本的特征，改进网络的整体结构，能够实现在一定范围内位移的不变性。CNNs的具体结构由...
【技术保护点】
1.一种基于可解释CNN图像分类模型的光学遥感图片分类方法，其特征在于，搭建由6组共51层基础卷积层、3层全连接层和1层Softmax层组成的可解释CNN网络ResNet模型，利用ResNet进行下采样，得到包含上下文信息的特征图，之后针对ResNet模型进行可解释性修改，得到新的基于ResNet模型的可解释CNN网络，ResNet模型通过多组带有残差模块的卷积-池化层提取特征，最终输入到全连接层对图像进行分类。/n
【技术特征摘要】
1.一种基于可解释CNN图像分类模型的光学遥感图片分类方法，其特征在于，搭建由6组共51层基础卷积层、3层全连接层和1层Softmax层组成的可解释CNN网络ResNet模型，利用ResNet进行下采样，得到包含上下文信息的特征图，之后针对ResNet模型进行可解释性修改，得到新的基于ResNet模型的可解释CNN网络，ResNet模型通过多组带有残差模块的卷积-池化层提取特征，最终输入到全连接层对图像进行分类。
2.根据权利要求1所述的基于可解释CNN图像分类模型的光学遥感图片分类方法，其特征在于，包括以下步骤：
S1、依次搭建输入层、第一个基础卷积层、第一个池化层、ResNet50模型中用来进行特征提取的四组block、一个可解释卷积层、最后一个池化层、第一个全连接层、第一个dropout层、第二个全连接层、第二个dropout层、第三个全连接层和一个Softmax层；
S2、选取训练样本和测试样本并对数据进行预处理；
S3、将训练集和验证集输入到卷积神经网络ResNet中进行迭代训练，直至卷积神经网络ResNet的损失函数值小于10-4，得到训练好的可解释CNN网络ResNet模型，输入到全连接层对图像进行分类。
3.根据权利要求2所述的基于可解释CNN图像分类模型的光学遥感图片分类方法，其特征在于，步骤S1中，可解释卷积层使用3*3的卷积核，输入为512，输出为512，步长为1，补零为1；最后一个池化层size为2*2，步长为2；第一个全连接层输入为512，输出为4096，步长为1；第一个dropout层dropout率为0.5；第二个全连接层输入为4096，输出为4096，步长为1；第...
【专利技术属性】
技术研发人员：庞焱萌，侯彪，焦李成，马文萍，马晶晶，杨淑媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。