【技术实现步骤摘要】
Convolutional Neural Network
,
HDTFF
‑
CNN)
,用于高分辨遥感图像分类,以捕捉图像复杂的结构和多变的纹理,有效融合多重感受野的判别特征,提高分类的精度
。
[0008]为了解决上述技术问题,本专利技术采用的技术方案为:
[0009]一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于包括
[0010]将遥感图像分别输入
DenseNet
‑
201
网络
、Gabor
‑
CNN
网络
、Wave
‑
CNN
网络均输出类概率;
[0011]根据
D
‑
S
证据理论将三个网络输出的类概率进行融合得到分类结果
。
[0012]本专利技术进一步的技术方案:还包括在输入网络之前,对遥感图像进行预处理
。
[0013]本专利技术进一步的技术方案:所述的预处理包括调整图像大小
、
归一化
、
数据增强
。
[0014]本专利技术进一步的技术方案:所述
DenseNet
‑
201
网络包括5个
Layer
,处理步骤如下:
[0015]通过
Layer1
对输入特征图进行预处理:首先通过7×7的卷积层,提取浅层信息;然后,通过一个3×3的最大池化层对特征图进 ...
【技术保护点】
【技术特征摘要】
1.
一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于包括将遥感图像分别输入
DenseNet
‑
201
网络
、Gabor
‑
CNN
网络
、Wave
‑
CNN
网络均输出类概率;根据
D
‑
S
证据理论将三个网络输出的类概率进行融合得到分类结果
。2.
根据权利要求1所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于还包括在输入网络之前,对遥感图像进行预处理
。3.
根据权利要求2所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于所述的预处理包括调整图像大小
、
归一化
、
数据增强
。4.
根据权利要求1所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于:所述
DenseNet
‑
201
网络包括5个
Layer
,处理步骤如下:通过
Layer1
对输入特征图进行预处理:首先通过7×7的卷积层,提取浅层信息;然后,通过一个3×3的最大池化层对特征图进行下采样;
Layer1
输出的特征图接着依次输入
Layer2、Layer3、Layer4、Layer5
进行图像深层特征提取;依次输入
BN
层
、
激活层
、
全局平均池化层
、Dropout
层和
Softmax
层,输出类概率
。5.
根据权利要求4所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于:所述的
Layer2、Layer3、Layer4、Layer5
分别由4组
Dense Block
和3组
Transition Block
构成,所述
Dense Block
分别由包含
6、12、48、32
个密集连接的
Dense Layer
组成,
Dense Layer
使用“1
×
1+3
×
3”叠加卷积的密集连接结构,每一个
Dense Layer
通过特征图通道拼接获得它前面的所有层输出特征;所述
Transition Block
由归一化层,卷积层,激活层,平均池化层组成,插入相邻两个
Dense Block
中
。6.
根据权利要求5所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于:所述的
Gabor
‑
CNN
网络在
DenseNet
‑
201
网络的基础上进行改进的:首先,使用
GaborConv2D
替代
DenseNet
网络的部分标准卷积层,通过实验来确定
GaborConv2D
层的替换位置;然后,添加一个3×3的标准卷积核,该层的步长设置为2,输出通道数与输入相等,作用是进一步提取图像的浅层特征,并对其进行一次下采样;最后,使用3×3的最大池化层加快特征图尺度缩减
。7.
根据权利要求6所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于:所述
GaborConv2D
的
Gabor
核的大小设置为7×7,模块的输出通道数设置为
64
,步长设置为
1。8.
根据权利要求5所述的一种基于证据融合多层深度卷积网络的遥感图像场景分类方法,其特征在于:所述的
Wave
‑
CNN
网络...
【专利技术属性】
技术研发人员:宋婉莹,刘倩,刘毓琛,李志,丛一凡,
申请(专利权)人:西安科技大学,
类型:发明
国别省市:
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。