【技术实现步骤摘要】
本专利技术涉及一种遥感场景分类方法，特别涉及一种基于进化神经网络架构搜索算法的遥感场景分类方法。
技术介绍
1、随着计算机技术的飞速发展，遥感大数据也变得越来越流行，运用大数据的思维和手段，让遥感在许多领域中都能发挥出重要的作用。比如，当出现了地震、洪水等灾害的时候，遥感卫星能够给出实时的图像，这对于救灾、抢险等工作起到了非常关键的作用。当前，基于遥感系列卫星构建的互联网服务平台，已在各个科学
得到了广泛的应用。高分遥感影像中蕴含着大量的地物信息和纹理信息，如何对其进行正确的识别和正确的分类是一个迫切需要研究的课题。
2、遥感场景分类是为给定的遥感图像用预定义的语义类别来正确标注，并对其打上正确的标签，随着遥感成像技术的进步，遥感图像的空间分辨率变得越来越高，且类别之间相互影响。相同场景类别有着不同的颜色和纹理特征，不同物体的信息也各有差异，不同的场景类别中存在相似的个体，即两个物体可能具有相似的光谱特征。此外，各类地物类型分布不平衡问题也普遍存在高分辨率遥感图像中，给现有的分类技术带来了挑战。
3、深度学习算法能学习不同抽象级别的分层特征，在复杂视觉任务上能取得很高的精度。深度卷积神经网络被认为是使用最为广泛的深度学习算法，已被应用于场景分类任务中，并取得了很好的结果。然而，深度学习方法往往需要较强的领域知识来设计高效的网络结构，而不同的网络结构往往会导致获得不同的分类精度。如googlenet、mobilenet、resnet等具有不同结构的模型可以在遥感图像分类中可以获得不同的精度。由此可见，
4、针对这一局限，近些年，研究人员尝试设计自动卷积神经网络，即采用优化或者搜索的方法来自动进行神经网络结构的调优，得到在当前任务上最优的神经网络结构，并获得很好的性能。有几种不同的神经网络架构方法被提出，由于很好的全局搜索性能，进化计算算法是较为主流的神经网络架构搜索方法。基于进化计算的方法利用种群搜索框架，在搜索过程中能尝试很多不同的神经网络架构，最终获得性能最好的神经网络。
5、虽然现在有许多卷积神经网络以及网络架构搜索方法，且取得不错的结果，然而这些方法大部分是应用于目标分类图像数据上，不太适用于遥感场景分类数据。遥感/航空影像与自然影像之间存在着显著而特殊的差异，例如遥感场景影像通常是由不同分辨率的大型卫星影像提取的局部斑块，这些局部斑块由高度复杂的几何结构组成，地物在视角、尺度和形状上差异很大。现有的卷积神经网络几乎都是基于自然图像设计的，并没有针对遥感图像的特定空间模式进行改进，这限制了深度学习方法的潜力，影响了分类性能。因此，迫切需要设计一个专门用于场景分类的卷积神经网络模型自动搜索方法，进一步提升分类性能。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种新的进化神经网络架构搜索方法，在没有任何预训练和数据增强的方法下，通过自动搜索卷积神经网络架构，不需要人工干预，得到一个针对场景分类的卷积神经网络模型。
2、本专利技术采用的技术方案为：
3、基于进化神经网络架构搜索算法的遥感场景分类方法，包括以下步骤：
4、s1，初始化种群；
5、s2，对种群进行适应度评估，并记录每个种群的历史最优个体，以及全局最优个体；
6、s3，采用粒子群进化算法进化种群；
7、s4，判断代数是否大于5，小于则转向s1，大于则转向s5；
8、s5，用前5代的数据搭建随机森林；
9、s6，利用交叉、变异、自适应策略产生20～60个个体；
10、s7，用随机森林进行选择个体，并进行真实评估，更新随机森林模型；
11、s8，进化结束后，选择最好的个体在测试集上进行测试。
12、进一步，所述s2的具体步骤为：
13、s21，输入需要进行图像分类的图像；
14、s22，将图像划分为进化训练集、进化测试集和测试集，测试集图像作为最后最优架构训练的数据；
15、s23，运用早期停止策略对解码后的神经网络模型做训练；
16、s24，记录架构的参数和相应的分类精度。
17、进一步，所述s23具体步骤为：
18、s231，神经网络模型在进化训练集上进行训练；
19、s232，神经网络模型在进化测试集上进行评估；
20、s233，如果在模型迭代次数或者分类精度达到预先设定的值，则终止训练。
21、进一步，所述s5的具体步骤为：
22、s51，加载前5代个体的编码为数据，分类精度为标签；
23、s52，搭建决策树组成随机森林；
24、s53，构建多个决策树，每个决策树都进行训练；
25、s54，将多个决策树集成，合并成一个随机森林模型；
26、s55：将随机森林模型中多个决策树的平均值作为最终的预测结果。
27、进一步，所述s6的具体步骤为：
28、s61，粒子群进化产生20个个体；
29、s62，父代种群与历史最优个体进行交叉产生20个个体；
30、s63，父代种群变异产生20个新的个体；
31、s64，父代种群采用自适应粒子群进化策略产生20个个体。
32、进一步，所述s62的具体步骤为：
33、s621，获取当前个体的编码长度和历史最优个体的编码长度的最小值a；
34、s622，随机产生一个0到a的随机数作为交换的位置；
35、s623，交换两个个体的配置粒子和连接粒子。
36、进一步，所述s63的具体步骤为：
37、s631：获取当前个体的编码长度b；
38、s632：随机产生一个0到b的随机数，作为变异的位置；
39、s633：基于配置粒子和连接粒子在变异的位置产生一个不同的数。
40、进一步，在s64中，所述自适应粒子群算法是基于标准的粒子群算法进行的改进；所述标准的粒子群算法通过不断地更新粒子的位置和速度，将它们引导到全局最优解的附近；典型的更新速度公式如下：
41、vi(t+1)＝ω·vi(t)+c1·r1·(pbesti-xi(t))+c2·r2·(gbest-xi(t))
42、式中，vi(t+1)是粒子i在下一个时刻的速度；ω是惯性权重，通常是一个小于1的正数，用于平衡全局搜索和局部搜索；c1和c2是加速系数，通常是正数，用于控制个体和群体之间的交互影响；r1和r2是在[0,1]范围内随机生成的数值，引入随机性；pbesti是粒子i自身的历史最佳位置；xi(t)是粒子i在当前时刻的位置；gbest是整个粒子群的历史最佳位置；
43、位置更新公式如下：
44、<本文档来自技高网...
【技术保护点】
1.基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S2的具体步骤为：
3.根据权利要求2所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S23具体步骤为：
4.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S5具体步骤为：
5.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S6具体步骤为：
6.根据权利要求5所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S62的具体步骤为：
7.根据权利要求5所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S63的具体的步骤为：
8.根据权利要求5所述的基于进化神经网络架构搜索算法的遥感场景分类方法，在S64中，其特征在于：所述自适应粒子群算法是基于标准的粒子群算法进行的改进；所述标准的粒子群算法通过不断地
9.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S7具体步骤为：
10.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述S8具体步骤为：
...【技术特征摘要】
1.基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述s2的具体步骤为：
3.根据权利要求2所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述s23具体步骤为：
4.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述s5具体步骤为：
5.根据权利要求1所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所述s6具体步骤为：
6.根据权利要求5所述的基于进化神经网络架构搜索算法的遥感场景分类方法，其特征在于，所...
【专利技术属性】
技术研发人员：梁静，毕莹，刘艮跃，于明渊，岳彩通，
申请(专利权)人：郑州大学，
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。