System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及遥感图像处理,尤其涉及一种基于压缩模型的遥感图像场景分类方法和装置。
技术介绍
1、目前,遥感影像是了解地球表面变化的关键技术,遥感影像分类算法的精度和推理速度直接影响分类的准确性和实时性。近年来,卷积神经网络取得了巨大的成功,在遥感图像场景分类任务中得到了广泛的应用。然而,大多数学者都集中在提高分类的准确率,而忽略了所涉及的计算成本。目前,卷积神经网络用于遥感图像分类场景时,其代价是随着网络深度和复杂性的增加,模型变得更大,计算推理成本变得更高。这对算法部署平台的硬件性能提出了更高的要求,如高性能gpu和大存储空间。因此,大型神经网络算法使得难以在计算资源有限的实时遥感设备上直接部署应用程序。因此,如何在保证分类准确率的前提下,提出一种更高压缩率的基于压缩模型的遥感图像场景分类方法,能够有效的部署在计算资源有限的遥感设备上,是目前亟待解决的技术问题。
技术实现思路
1、针对如何在保证分类准确率的前提下,对遥感图像场景分类算法进行更高压缩率的精简,使精简后的算法能够有效的部署在计算资源有限的遥感设备上的问题,本专利技术公开了一种基于压缩模型的遥感图像场景分类方法和装置。
2、本专利技术实施例第一方面,公开了一种基于压缩模型的遥感图像场景分类方法,包括:
3、s1,获取遥感图像训练数据集;所述遥感图像训练数据集,包括遥感图像和对应的分类标签信息;
4、s2,利用所述遥感图像训练数据集,对预设的遥感图像分类网络进行训练处理,得到训练后的
5、s3,对所述训练后的遥感图像分类网络进行压缩处理,得到压缩遥感图像分类网络;
6、s4,利用所述压缩遥感图像分类网络对所采集的遥感图像进行场景分类处理,得到所述遥感图像的场景类型信息;所述遥感图像的场景类型信息,用于表征所述遥感图像对应的场景类型。
7、所述遥感图像分类网络,包括第一处理网络和第二处理网络;所述第一处理网络,用于对遥感图像进行处理,得到图像特征信息;所述第二处理网络,用于对图像特征信息进行场景类别预测处理,得到遥感图像的场景类型信息;
8、所述第一处理网络,包括第一输入模块、第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块、第三卷积模块和第一全连接模块;
9、所述第一处理网络的第一输入模块的输入端,用于接收所述遥感图像;所述第一处理网络的第一输入模块的输出端,与所述第一处理网络的第一卷积模块的输入端相连接;所述第一处理网络的第一卷积模块的输出端,与所述第一处理网络的深度可分离卷积模块的输入端相连接;所述第一处理网络的深度可分离卷积模块的输出端,与所述第一处理网络的第一升维卷积模块的输入端相连接;所述第一处理网络的第一升维卷积模块的输出端,与所述第一处理网络的第二升维卷积模块的输入端相连接;所述第一处理网络的第二升维卷积模块的输出端,与所述第一处理网络的第三升维卷积模块的输入端相连接;所述第一处理网络的第三升维卷积模块的输出端,与所述第一处理网络的第四升维卷积模块的输入端相连接;所述第一处理网络的第四升维卷积模块的输出端,与所述第一处理网络的第二卷积模块的输入端相连接;所述第一处理网络的第二卷积模块的输出端,与所述第一处理网络的第一池化模块的输入端相连接;所述第一处理网络的第一池化模块的输出端,与所述第一处理网络的第三卷积模块的输入端相连接;所述第一处理网络的第三卷积模块的输出端,与所述第一处理网络的第一全连接模块的输入端相连接;
10、所述第二处理网络,包括第二输入模块、第四卷积模块、第五卷积模块、第六卷积模块、第二池化模块、第七卷积模块和第二全连接模块;
11、所述第二处理网络的第二输入模块的输入端,与所述第一处理网络的第一全连接模块的输出端相连接;所述第二处理网络的第二输入模块的输出端,与所述第二处理网络的第四卷积模块的输入端相连接;所述第二处理网络的第四卷积模块的输出端,与所述第二处理网络的第五卷积模块的输入端相连接;所述第二处理网络的第五卷积模块的输出端,与所述第二处理网络的第六卷积模块的输入端相连接;所述第二处理网络的第六卷积模块的输出端,与所述第二处理网络的第二池化模块的输入端相连接;所述第二处理网络的第二池化模块的输出端,与所述第二处理网络的第七卷积模块的输入端相连接;所述第二处理网络的第七卷积模块的输出端,与所述第二处理网络的第二全连接模块的输入端相连接;
12、所述第一处理网络的第一全连接模块的输出端,用于输出所述图像特征信息;
13、所述第二处理网络的第二全连接模块的输出端,用于输出所述遥感图像的场景类型信息。
14、所述第一处理网络的第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块和第三卷积模块,均采用n个并联的三维滤波器来实现;所述第一处理网络中的前后相邻的模块中的三维滤波器,按照序号进行连接;
15、所述第二处理网络的第四卷积模块、第五卷积模块、第六卷积模块、第二池化模块和第七卷积模块,均采用n个并联的三维滤波器来实现;所述第二处理网络中的前后相邻的模块中的三维滤波器,按照序号进行连接。
16、所述利用所述遥感图像训练数据集,对预设的遥感图像分类网络进行训练处理,得到训练后的遥感图像分类网络,包括:
17、对训练次数值进行初始化;
18、将所述遥感图像训练数据集中的遥感图像输入遥感图像分类网络;
19、利用遥感图像分类网络对所述遥感图像进行处理,得到所述遥感图像的场景类型信息;
20、利用损失函数对所述遥感图像的场景类型信息和分类标签信息进行计算,得到差异值;
21、对所述训练次数值进行累加操作;
22、判断所述训练次数值是否超过训练次数阈值,得到第一判断结果;当所述第一判断结果为是时,结束训练处理过程,得到训练后的遥感图像分类网络;
23、当所述第一判断结果为否时,判断所述差异值是否满足收敛条件,得到第二判断结果;
24、当所述第二判断结果为是时,结束训练处理过程,得到训练后的遥感图像分类网络;当所述第二判断结果为否时,利用所述差异值对所述遥感图像分类网络的权重值进行更新,并触发执行将所述遥感图像训练数据集中的遥感图像输入遥感图像分类网络。
25、所述对所述训练后的遥感图像分类网络进行压缩处理,得到压缩遥感图像分类网络,包括:
26、s31,对所述遥感图像分类网络的第一处理网络进行压缩处理,得到压缩后的第一处理网络;
27、s32,利用所述压缩后的第一处理网络,对所述遥感图像分类网络进行更新处理,计算得到更新后的遥感图像分类网络的压缩率值;
28、s33,将所述遥感图像训练数据集中的遥感图像输入更新的遥感图像分类网络;
...
【技术保护点】
1.一种基于压缩模型的遥感图像场景分类方法,其特征在于,包括:
2.如权利要求1所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述遥感图像分类网络,包括第一处理网络和第二处理网络;所述第一处理网络,用于对遥感图像进行处理,得到图像特征信息;所述第二处理网络,用于对图像特征信息进行场景类别预测处理,得到遥感图像的场景类型信息;
3.如权利要求2所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述第一处理网络的第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块和第三卷积模块,均采用N个并联的三维滤波器来实现;所述第一处理网络中的前后相邻的模块中的三维滤波器,按照序号进行连接;
4.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述利用所述遥感图像训练数据集,对预设的遥感图像分类网络进行训练处理,得到训练后的遥感图像分类网络,包括:
5.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述对所述训练后的遥感
6.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述第一压缩联合判别处理,是判别所述差异值是否小于第一差异阈值,且判别所述压缩率值是否小于第一压缩率阈值,当上述两个判别结果均为是时,确定所述第一压缩判别结果为合格;当上述两个判别结果不均为是时,确定所述第一压缩判别结果为不合格;
7.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述对所述遥感图像分类网络的第一处理网络或第二处理网络进行压缩处理,得到压缩后的第一处理网络或第二处理网络,包括:
8.一种基于压缩模型的遥感图像场景分类装置,其特征在于,所述装置包括:
9.一种计算机可存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1至7中任一项所述的基于压缩模型的遥感图像场景分类方法。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1至7中任一项所述的基于压缩模型的遥感图像场景分类方法。
...【技术特征摘要】
1.一种基于压缩模型的遥感图像场景分类方法,其特征在于,包括:
2.如权利要求1所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述遥感图像分类网络,包括第一处理网络和第二处理网络;所述第一处理网络,用于对遥感图像进行处理,得到图像特征信息;所述第二处理网络,用于对图像特征信息进行场景类别预测处理,得到遥感图像的场景类型信息;
3.如权利要求2所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述第一处理网络的第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块和第三卷积模块,均采用n个并联的三维滤波器来实现;所述第一处理网络中的前后相邻的模块中的三维滤波器,按照序号进行连接;
4.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述利用所述遥感图像训练数据集,对预设的遥感图像分类网络进行训练处理,得到训练后的遥感图像分类网络,包括:
5.如权利要求3所述的基于压缩模型的遥感图像场景分类方法,其特征在于,所述对所述训练后的遥...
【专利技术属性】
技术研发人员:吴航,苗保明,余明,陈炜,韩思齐,翟德朝,
申请(专利权)人:军事科学院系统工程研究院卫勤保障技术研究所,
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。