基于通道多分组融合的遥感场景图像分类方法技术

基于通道多分组融合的遥感场景图像分类方法，本发明专利技术涉及遥感场景图像分类方法。本发明专利技术的目的是为了解决现有通道融合中通道分组都是使用单一的分组形式，导致特征的提取准确率低的问题。过程为：步骤一、获取高光谱图像；步骤二、建立基于通道多分组融合的轻量级卷积神经网络模型；步骤三、将高光谱图像输入建立的基于通道多分组融合的轻量级卷积神经网络模型进行训练，得到训练好的基于通道多分组融合的轻量级卷积神经网络模型；步骤四、将待测高光谱图像输入练好的基于通道多分组融合的轻量级卷积神经网络模型得到分类结果。本发明专利技术用于遥感场景图像分类领域。用于遥感场景图像分类领域。用于遥感场景图像分类领域。

【技术实现步骤摘要】
基于通道多分组融合的遥感场景图像分类方法


[0001]本专利技术涉及遥感场景图像分类方法。

技术介绍

[0002]遥感场景图像分类的目标是将输入的遥感图像进行正确的分类。由于遥感图像分类在自然灾害检测，土地覆盖分析，城市规划和国防安全[1,2,3,4]等方面的广泛应用，引起了大家的关注。到目前为止，已经提出了许多用于遥感场景图像分类的方法。其中，卷积神经网络凭借自身强大的特征提取能力，成为公认的最成功深度学习方法，被广泛应用于图像分类[5],目标检测[6]等方向。很多优秀的神经网络被设计用来进行图像分类。例如，Li等人[7]提出了一种用于遥感场景分类的深度特征融合网络。赵等人[8]提出了一个结合局部光谱特征、全局纹理特征和局部结构特征的PTM框架对特征进行融合。王等人[9]利用注意机制自适应地选择每个图像的关键部分，然后进行特征融合生成强大的特征。
[0003]近年来，设计一个在分类精度和运行速度之间实现最优权衡的卷积神经网络成为了一个热门的研究方向。SqueezeNet[10]通过挤压和扩展模块来降低参数量实现轻量级网络。挤压部分是由一组连续的1
×
1卷积组成，扩展部分是由一组连续的1
×
1卷积和一组连续的3
×
3卷积进行通道连接组成。MobileNetV1[11]引入了深度可分离卷积来替代传统的卷积，深度可分离卷积分成两个独立的过程：用于空间滤波的轻量级深度卷积和用于生成特征的1
×
1卷积，将空间滤波从特征产生机制中分离出来，有效的分解了传统卷积。MobileNetV2[12]在MobileNetV1的基础上增加了线形瓶颈和倒残差结构，进一步提升了网络的性能。SENet[13]提出了SE模块，该模块包括挤压和扩展两个部分。首先通过全局平均池化实现挤压操作，将输入的二维特征通道变成一个具有全局感受野的实数，接着通过全连接层实现扩展操作，得到一组权重参数，最后通过乘法逐通道加权，完成在通道维度上对原始特征的重新标定。NASNet[14]利用强化学习和模型搜索结构先在小数据集上学习一个网络单元，然后在大数据集上将学习好的单元进行堆叠，解决了之前神经网络搜索结构无法应用到大数据集上的缺点。MobileNetV3[15]添加了SE模块，并且利用神经结构搜索来搜索网络的配置和参数。ResNet[16]利用残差连接解决了因为网络深度引起的性能下降问题，并且提出了一种高效的瓶颈结构取得了令人满意的结果。Xception[17]采用深度可分离卷积替代了Inception模块中的卷积操作，取得了更好的性能。GoogleNet[18]使用Inception模块使得网络变得更深更宽，精度更高。Inception模块由3个卷积分支和一个池化分支组成，最后将四个分支进行通道融合来实现。
[0004]分组卷积最早应用在AlexNet[19]中，由于当时硬件条件的限制，在AlexNet中使用分组卷积来对网络进行切分，使其在两个GPU上并行运行，实现了很好的性能表现。在ResNeXt[20]中很好的证明了分组卷积的有效性。ResNeXt将网络结构高度模块化，通过重复的堆叠模块来进行搭建网络架构。该模块由若干个瓶颈结构组成，在不增加参数量的情况下提升了模型的准确率。传统的通道分组都是使用单一的分组形式(例如，输入特征的通道数为C，g是分组数，则每个组中的通道数都是C/g)，使用单一的通道分组不利于特征的提
取。

技术实现思路

[0005]本专利技术的目的是为了解决现有通道融合中通道分组都是使用单一的分组形式，导致特征的提取准确率低的问题，而提出基于通道多分组融合的遥感场景图像分类方法。
[0006]基于通道多分组融合的遥感场景图像分类方法具体过程为：
[0007]步骤一、获取高光谱图像；
[0008]步骤二、建立基于通道多分组融合的轻量级卷积神经网络模型；
[0009]步骤三、将高光谱图像输入建立的基于通道多分组融合的轻量级卷积神经网络模型进行训练，得到训练好的基于通道多分组融合的轻量级卷积神经网络模型；
[0010]所述基于通道多分组融合的轻量级卷积神经网络模型包括输入层、第一组、第二组、第三组、第四组、第五组、第六组、第七组、第八组和输出层；
[0011]第一组和第二组分别包括分支1、分支2和分支3；
[0012]分支1依次包括第一步长为2卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数、第二步长为1卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数；
[0013]分支2依次包括步长为2池化核大小为2的最大池化层、第三步长为1卷积核大小是3
×
3的卷积层；
[0014]分支3包括第四步长为1卷积核大小是1
×
1的卷积层；
[0015]将分支1和分支2得到的特征进行融合；
[0016]将融合之后的特征和分支3得到的特征进行特征融合，得到最终的输出特征；
[0017]第三组依次包括第五步长为1卷积核大小是1
×
1的卷积层、第六步长为1卷积核大小是3
×
3的卷积层和第一步长为2卷积核大小是3
×
3的深度可分离卷积层；
[0018]第四组至第七组分别包括第七卷积单元、第八卷积单元、第九卷积单元、第十卷积单元、第二深度可分离卷积单元、第三深度可分离卷积单元、第四深度可分离卷积单元、第五深度可分离卷积单元、第六深度可分离卷积单元、第七深度可分离卷积单元、第八深度可分离卷积单元、第九深度可分离卷积单元、第十深度可分离卷积单元；
[0019]所述第七卷积单元依次包括第七卷积层、批标准化、Rule激活函数；所述第八卷积单元依次包括第八卷积层、批标准化、Rule激活函数；所述第九卷积单元依次包括第九卷积层、批标准化、Rule激活函数；所述第十卷积单元依次包括第十卷积层、批标准化、Rule激活函数；
[0020]所述第二深度可分离卷积单元依次包括第二深度可分离卷积层、批标准化、Rule激活函数；所述第三深度可分离卷积单元依次包括第三深度可分离卷积层、批标准化、Rule激活函数；所述第四深度可分离卷积单元依次包括第四深度可分离卷积层、批标准化、Rule激活函数；所述第五深度可分离卷积单元依次包括第五深度可分离卷积层、批标准化、Rule激活函数；所述第六深度可分离卷积单元依次包括第六深度可分离卷积层、批标准化、Rule激活函数；所述第七深度可分离卷积单元依次包括第七深度可分离卷积层、批标准化、Rule激活函数；所述第八深度可分离卷积单元依次包括第八深度可分离卷积层、批标准化、Rule激活函数；所述第九深度可分离卷积单元依次包括第九深度可分离卷积层、批标准化、Rule激活函数；所述第十深度可分离卷积单元依次包括第十深度可分离卷积层、批标准化、Rule
激活函数；
[0021]将通道数是C的输入特征划分成两个部分，一部分由4个通道数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于通道多分组融合的遥感场景图像分类方法，其特征在于：所述方法具体过程为：步骤一、获取高光谱图像；步骤二、建立基于通道多分组融合的轻量级卷积神经网络模型；步骤三、将高光谱图像输入建立的基于通道多分组融合的轻量级卷积神经网络模型进行训练，得到训练好的基于通道多分组融合的轻量级卷积神经网络模型；所述基于通道多分组融合的轻量级卷积神经网络模型包括输入层、第一组、第二组、第三组、第四组、第五组、第六组、第七组、第八组和输出层；第一组和第二组分别包括分支1、分支2和分支3；分支1依次包括第一步长为2卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数、第二步长为1卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数；分支2依次包括步长为2池化核大小为2的最大池化层、第三步长为1卷积核大小是3
×
3的卷积层；分支3包括第四步长为1卷积核大小是1
×
1的卷积层；将分支1和分支2得到的特征进行融合；将融合之后的特征和分支3得到的特征进行特征融合，得到最终的输出特征；第三组依次包括第五步长为1卷积核大小是1
×
1的卷积层、第六步长为1卷积核大小是3
×
3的卷积层和第一步长为2卷积核大小是3
×
3的深度可分离卷积层；第四组至第七组分别包括第七卷积单元、第八卷积单元、第九卷积单元、第十卷积单元、第二深度可分离卷积单元、第三深度可分离卷积单元、第四深度可分离卷积单元、第五深度可分离卷积单元、第六深度可分离卷积单元、第七深度可分离卷积单元、第八深度可分离卷积单元、第九深度可分离卷积单元、第十深度可分离卷积单元；所述第七卷积单元依次包括第七卷积层、批标准化、Rule激活函数；所述第八卷积单元依次包括第八卷积层、批标准化、Rule激活函数；所述第九卷积单元依次包括第九卷积层、批标准化、Rule激活函数；所述第十卷积单元依次包括第十卷积层、批标准化、Rule激活函数；所述第二深度可分离卷积单元依次包括第二深度可分离卷积层、批标准化、Rule激活函数；所述第三深度可分离卷积单元依次包括第三深度可分离卷积层、批标准化、Rule激活函数；所述第四深度可分离卷积单元依次包括第四深度可分离卷积层、批标准化、Rule激活函数；所述第五深度可分离卷积单元依次包括第五深度可分离卷积层、批标准化、Rule激活函数；所述第六深度可分离卷积单元依次包括第六深度可分离卷积层、批标准化、Rule激活函数；所述第七深度可分离卷积单元依次包括第七深度可分离卷积层、批标准化、Rule激活函数；所述第八深度可分离卷积单元依次包括第八深度可分离卷积层、批标准化、Rule激活函数；
所述第九深度可分离卷积单元依次包括第九深度可分离卷积层、批标准化、Rule激活函数；所述第十深度可分离卷积单元依次包括第十深度可分离卷积层、批标准化、Rule激活函数；将通道数是C的输入特征划分成两个部分，一部分由4个通道数为的特征组成，另一部分由2个通道数为的特征组成；将通道数是的特征分别输入第七卷积单元、第八卷积单元、第九卷积单元、第十卷积单元进行卷积操作；将第七卷积单元卷积操作结果和第八卷积单元卷积操作结果进行通道融合，融合后特征通道数是将特征通道数是的特征输入第二深度可分离卷积单元进行卷积操作；将第八卷积单元卷积操作结果和第九卷积单元卷积操作结果进行通道融合，融合后特征通道数是将特征通道数是的特征输入第三深度可分离卷积单元进行卷积操作；将第九卷积单元卷积操作结果和第十卷积单元卷积操作结果进行通道融合，融合后特征通道数是将特征通道数是的特征输入第四深度可分离卷积单元进行卷积操作；将通道数是的特征分别输入第五深度可分离卷积单元和第六深度可分离卷积单元进行卷积操作；将第二深度可分离卷积单元的卷积操作结果和第三深度可分离卷积单元的卷积操作结果进行通道融合，融合后每个特征的通道数是C，将通道数为C的特征输入第七深度可分离卷积单元进行卷积操作；将第三深度可分离卷积单元的卷积操作结果和第四深度可分离卷积单元的卷积操作结果进行通道融合，融合后每个特征的通道数是C，将通道数为C的特征输入第八深度可分离卷积单元进行卷积操作；将第四深度可分离卷积单元的卷积操作结果和第五深度可分离卷积单元的卷积操作结果进行通道融合，融合后每个特征的通道数是C，将通道数为C的特征输入第九深度可分离卷积单元进行卷积操作；将第五深度可分离卷积单元的卷积操作结果和第六深度可分离卷积单元的卷积操作结果进行通道融合，融合后每个特征的通道数是C，将通道数为C的特征输入第十深度可分离卷积单元进行卷积操作；将第七深度可分离卷积单元输出结果、第八深度可分离卷积单元输出结果、第九深度可分离卷积单元输出结果、第十深度可分离卷积单元输出结果进行特征融合，特征融合结果和输入特征进行短连接得到输出特征；第八组依次包括全局平均池化层和SoftMax分类器；输入层连接第一组，第一组输出连接第二组，第二组输出连接第三组，第三组输出连接第四组，第四组输出连接第五组，第五组输出连接第六组，第六组输出连接第七组，第七组
输出连接第八组，第八组连接输出层；步骤四、将待测高光谱图像输入练好的基于通道多分组融合的轻量级卷积神经网络模型得到分类结果。2.根据权利要求1所述基于通道多分组融合的遥感场景图像分类方法，其特征在于：所述第一组和第二组分别包括分支1、分支2和分支3；分支1依次包括第一步长为2卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数、第二步长为1卷积核大小是3
×
3的卷积层、批标准化、Rule激活函数；分支2依次包括步长为2池化核大小为2的最大池化层、第三步长为1卷积核大小是3
×<...

【专利技术属性】
技术研发人员：石翠萍，张鑫磊，王丽婧，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：