CN114092832B - 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 - Google Patents
一种基于并联混合卷积网络的高分辨率遥感影像分类方法 Download PDFInfo
- Publication number
- CN114092832B CN114092832B CN202210065211.8A CN202210065211A CN114092832B CN 114092832 B CN114092832 B CN 114092832B CN 202210065211 A CN202210065211 A CN 202210065211A CN 114092832 B CN114092832 B CN 114092832B
- Authority
- CN
- China
- Prior art keywords
- network
- remote sensing
- sample data
- value
- resolution remote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于并联混合卷积网络的高分辨率遥感影像分类方法,具体步骤为:输入高分辨率遥感影像和相应的样本标签数据,包括训练样本数据集、测试样本数据集;并联搭建三维卷积神经网络和二维卷积神经网络,构建信息融合转换网络实现空谱特征信息融合以及深层次提取;批量输入训练样本数据集训练网络,构造交叉熵损失函数和随机梯度下降算法优化网络并更新参数,直至网络收敛;输入测试样本数据集到混合网络模型中,输出测试样本标签预测值,完成高分影像分类。本发明可同时提取高分遥感影像的空间特征和光谱特征,进行特征融合实现影像高效率高精度分类,在自然资源监测、地理国情普查、城市规划、气候变化等研究中提供重要作用。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于并联混合卷积网络的高分辨率遥感影像分类方法。
背景技术
随着遥感卫星技术的快速发展,遥感影像分辨率逐渐提高。我国高分遥感技术发展迅速,目前已开展高分辨率对地观测***重大专项,以提高获取高分辨率遥感影像的能力,推动空间信息技术的进步。高分二号卫星亚米级分辨率遥感影像的发布,标志我国遥感对地观测进入亚米级时代,其星下点空间分辨率可达0.8米。高空间分辨率遥感影像包含丰富的纹理、形状、结构、光谱等信息,为遥感影像分类、目标识别与提取、变化检测等研究提供丰富的数据来源。高分遥感影像分类作为当前研究热点,在自然资源监测、地理国情普查、城市规划研究、环境灾害评估、全球气候变化研究等应用中发挥关键性作用。
传统遥感影像分类方法中目视解译的分类精度最高,但是工作量大、效率低,并且要求目视解译人员拥有专业知识和丰富的判读经验,难以大规模应用。计算机技术的发展为遥感影像分类提供了新方向,能实现遥感影像自动分类,降低时间成本。计算机分类方法按照是否使用训练样本可以分为监督分类和非监督分类,通过大量研究表明,使用训练样本的监督分类方法精度更高。机器学习方法使用样本进行训练,可实现自动化分类和提高影像分类效率,但是传统机器学习方法仅涉及低级特征。高分影像拥有丰富的空谱特征,传统分类方法精度较低,需要发展适用于高分辨率遥感影像快速精准分类的方法。
深度学习是由传统神经网络发展而来的典型的、最先进的机器学习框架,能够提取遥感影像的高级特征,在多尺度和多级特征提取方面优势显著,有利于高分遥感影像地物分类。在众多的深度学习模型中,卷积神经网络是一种高效且应用广泛的方法,可以学习深层特征并进行权重共享,有效避免高分影像类内变化和噪声的影响。同时,其网络结构的鲁棒性和泛化能力很好,在高分辨率遥感影像分类上有很好的研究前景。
目前用于高分遥感影像分类的卷积神经网络较其他方法精度更高,但是仍然存在一些问题,其不足主要表现在两方面。一方面是网络结构复杂、参数量过大,导致训练时间长,容易导致训练过拟合或者欠拟合,导致分类效率不高和效果不好。另一方面是光谱信息利用不充分,用于高分影像分类的卷积神经网络大部分为二维卷积神经网络,虽然能够很好的提取影像中的空间信息,但会丢失部分光谱信息,导致分类准确率不高。
发明内容
本发明针对现有高分遥感影像分类方法的缺点,提出一种基于并联混合卷积网络的高分辨率遥感影像分类方法,结合三维卷积和二维卷积的优势,提取影像深层次的空谱特征并进行融合转换,提升高分辨率遥感影像的分类精度和效率。
为实现上述目的,本发明所采用的技术方案是:
一种基于并联混合卷积网络的高分辨率遥感影像分类方法,包括以下步骤:
步骤1:数据预处理。输入待处理的高分辨率遥感影像数据,进行数据归一化、极值处理、数据增强等预处理,获取待标记和测试的高分辨率遥感影像;
步骤2:构建样本数据集。构建高分遥感影像多类别样本数据集和相应的样本标签集,进行数据分割以构建三个类型的样本数据集:有标签的训练样本数据集和验证样本数据集,以及测试样本数据集;
步骤3:搭建并联混合卷积神经网络。分别搭建三维卷积神经网络、二维卷积神经网络和信息融合转换网络,并将其连接成并联混合卷积网络;
步骤4:网络训练。批量输入带有标签的训练样本数据集到步骤3搭建的并联混合卷积网络中,以标签类别信息进行指导,使用随机梯度下降算法训练网络并优化参数,经多次完整训练后实现网络收敛;
步骤5:网络调整。在验证样本数据集上评估网络精度,并对权重进行训练;
步骤6:测试样本数据集分类。基于训练好的网络模型,输入高分辨率遥感影像的待测试样本数据集,经过网络模型,获得测试样本中每个像元的多个预测概率值,通过处理后输出测试样本的预测标签值;
步骤7:分类后处理。采用形态学开运算的分类后处理方法,去除分类结果的斑点噪声和平滑边界,输出测试样本数据集最终的预测标签值,获得分类结果。
进一步地,所述步骤1的具体做法为:
步骤1.1:输入待处理的高分辨率遥感影像数据,使用最大值最小值归一化方法处理,将全部像素值归一化到0-1范围,其中像素最大值设置为P,归一化公式如下:
其中,x表示输入高分遥感影像数据中一个像元的像素值;x max 和x min 是高分遥感影像中所有像素值的最大值和最小值;x * 表示经最大值最小值归一化后像元的像素值;
步骤1.2:原始影像中像素值大于P的像元视为极值,经步骤1.1处理后归一化值大于1,将其进行转换处理为1,实现对归一化后影像数据的极值处理;
步骤1.3:输入上述的高分遥感影像数据,通过水平或者垂直的随机翻转、添加噪声等处理,实现数据增强,增加影像类别可分性。
进一步地,所述步骤2的具体做法为:
步骤2.1:构建高分遥感影像多类别样本数据集,并制作相应的样本标签集合,其标签类别依据GDPJ 01-2013地理国情普查内容与指标取C类;
步骤2.2:将高分遥感影像样本数据集和样本标签集合分割为训练集部分和测试集部分,训练集部分拥有多个区域和多个时相的高分影像数据并包含所有类别,其影像分割区域大小设置为M×M;在进行网络训练前,将训练集部分分割为95%的训练样本数据集和5%的验证样本数据集;
步骤2.3:测试集部分只包含测试样本数据集,源自除训练集部分之外的高分遥感影像和标签数据,并设置测试样本数据集大小为N×N。
进一步地,所述步骤3的具体做法为:
步骤3.1:搭建六层网络结构的三维卷积神经网络:第一、三、五、六层均包含三维卷积层和修正线性单元层;第二、四层只包含三维卷积层,步长为2;
步骤3.2:搭建多尺度卷积和注意力卷积的二维卷积神经网络:第一层包含二维卷积层和修正线性单元层;第二层包含三个多尺度的二维深度可分离卷积层和修正线性单元层,其卷积核大小分别设置为3×3、5×5、7×7,且以并联方式分布,经逐点相加层连接输出;第三层与第一层结构相同,不同之处在于参数设置;第四层包含注意力卷积层,注意力卷积块包含通道注意力模块、空间注意力模块和全局上下文注意力块,以逐点相加层连接输出;
步骤3.3:搭建信息融合转换网络:第一层包含特征信息拼接层,融合三维卷积神经网络和二维卷积神经网络的特征信息;第二层包含二维卷积层和修正线性单元层;第三层包含最大值池化层和随机失活层,所述最大值池化层的采样核大小和步长均为2,随机失活层的失活率为0.5;第四层包含完全连接层;
步骤3.4:将搭建好的三维卷积神经网络和二维卷积神经网络以并联方式分布,利用信息融合转换网络连接前两个网络,搭建成并联混合卷积神经网络。
进一步地,所述步骤4的具体做法为:
步骤4.1:选择高分辨率遥感影像的训练样本数据集和相应的样本标签数据,批量输入到搭建好的混合卷积神经网络中,前向计算卷积神经网络每个神经元的输出值,并计算和输出训练样本的标签预测值,所述批量大小设为B×B;
步骤4.2:计算混合卷积神经网络的损失函数并进行反向传播,其交叉熵损失函数CELoss的计算公式如下:
其中,Loss是计算以预测值和标签值为输入所得的损失值;class是样本标签值,作为输入参数之一;x是样本标签预测值,j表示类别个数,x[j]表示第j个类别的标签预测值;
步骤4.3:优化器使用随机梯度下降算法,最小化损失函数,并更新卷积神经网络中的各个参数,所述优化器中动量参数设为0.8,学习率设为0.01;其随机梯度下降算法更新参数的表达公式如下:
进一步地,所述步骤5中网络调整的具体做法为:在步骤4中进行每一代训练后,评价网络模型在验证样本数据集上的精度值;然后对网络的权重进行训练,依据网络分类精度变化调整网络模型参数;经多代训练后实现网络拟合收敛。
进一步地,所述步骤6的具体做法为:
步骤6.1:基于步骤4、步骤5训练好的模型,将高分遥感影像的待测试样本数据集批量输入到网络模型中,进行类别预测,输出批量测试样本的预测概率值;
步骤6.2:全部测试样本数据集经步骤6.1的批量预测后,更新预测结果,输出测试样本数据集中每个像元属于每一类的预测概率值;
步骤6.3:基于测试样本的预测分类概率值,经预测概率值筛选后,概率值最大的类别视为像元所属类别,进行维度转换,获得测试样本数据集的预测标签值,输出分类结果。
进一步地,所述步骤7的形态学开运算后处理的具体做法为:输入测试样本数据集的预测分类结果,依次进行形态学腐蚀操作和膨胀操作处理,输出最终分类结果。
本发明与现有技术对比,具有如下有益效果:
本发明通过联合使用三维卷积神经网络和二维卷积神经网络,弥补传统高分影像分类方法仅处理空间信息的缺陷,同时提取高分影像丰富的空间特征和光谱特征,实现高分辨率遥感影像精准分类,减少训练成本和时间成本。本发明与现有的基于深度学习的高分遥感影像分类方法相比,自动分类效率更高,分类精度更高。
附图说明
图1 本发明的一种基于并联混合卷积网络的高分辨率遥感影像分类方法流程图。
图2 本发明中搭建的并联混合卷积神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明:
如图1所示,本发明提供的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,实现步骤如下:
步骤1:输入待处理的高分辨率遥感影像数据,进行一系列数据预处理,获取待标记和测试的高分遥感影像,具体方法如下:
步骤1.1:输入待处理的高分遥感影像数据,使用最大值最小值归一化方法处理,将全部像素值归一化到0-1范围,其中设定像素最大值为P,归一化公式如下:
其中,x表示输入高分遥感影像数据中一个像元的像素值;x max 和x min 是高分遥感影像中所有像素值的最大值和最小值;x * 表示经最大值最小值归一化后像元的像素值;
步骤1.2:原始影像中像素值大于P的像元视为极值,经步骤1.1处理后成为超出0-1范围的值,将其进行转换为1,实现对归一化后影像数据的极值处理;
步骤1.3:输入上述的高分遥感影像数据,通过水平或者垂直的随机翻转、添加噪声等处理,实现数据增强,增加影像类别可分性。
步骤2:构建高分遥感影像多类别样本数据集和相应的样本标签集,进行数据分割以构建三个类型的样本数据集,具体方法如下:
步骤2.1:构建高分遥感影像多类别样本数据集,并制作相应的样本标签集合,其标签类别依据GDPJ 01-2013地理国情普查内容与指标取C类;
步骤2.2:将高分遥感影像样本数据集和样本标签集合分割成训练集部分和测试集部分,训练集部分拥有多个区域和多个时相的高分影像数据并包含所有类别,其影像分割区域大小设置为M×M;在进行网络训练前,将训练集部分分割为95%的训练样本数据集和5%的验证样本数据集;
步骤2.3:测试集部分只包含测试样本数据集,源自除训练集部分之外的高分遥感影像和标签数据,并设置测试样本数据集大小为N×N。
步骤3:分别搭建三维卷积神经网络、二维卷积神经网络和信息融合转换网络,并将三个网络连接成并联混合卷积神经网络,网络结构如图2所示,具体方法如下:
步骤3.1:搭建六层网络结构的三维卷积神经网络:第一、三、五、六层均包含三维卷积层和修正线性单元层;第二、四层只包含三维卷积层,步长为2,实现池化功能;
步骤3.2:搭建多尺度卷积和注意力卷积的二维卷积神经网络:第一层包含二维卷积层和修正线性单元层;第二层包含三个多尺度的二维深度可分离卷积层和修正线性单元层,其卷积核大小分别设置为3×3、5×5和7×7,且以并联方式分布,经逐点相加层连接输出;第三层与第一层结构相同,不同之处在于参数设置;第四层包含注意力卷积层,注意力卷积块包含通道注意力模块、空间注意力模块和全局上下文注意力模块,以逐点相加层连接输出;
步骤3.3:搭建信息融合转换网络:第一层包含特征信息拼接层,融合三维卷积神经网络和二维卷积神经网络的特征信息;第二层包含二维卷积层和修正线性单元层,进行特征信息转换;第三层包含最大值池化层和随机失活层,所述最大值池化层的采样核大小和步长均为2,随机失活层的失活率为0.5;第四层包含完全连接层;
步骤3.4:将搭建好的三维卷积神经网络和二维卷积神经网络以并联方式分布,利用信息融合转换网络连接前两个网络,搭建成并联混合卷积神经网络。
步骤4:批量输入带有标签的训练样本数据集到步骤3搭建的并联混合卷积网络中,使用随机梯度下降算法训练网络并优化参数,经多次完整训练后实现网络收敛,具体方法如下:
步骤4.1:选择高分辨率遥感影像的训练样本数据集和相应的样本标签数据,批量输入到搭建好的混合卷积神经网络中,前向计算卷积神经网络中每个神经元的输出值,并计算和输出训练样本的标签预测值,所述批量大小设为B×B;
步骤4.2:计算混合卷积神经网络的损失函数并进行反向传播,其交叉熵损失函数CELoss的计算公式如下:
其中,Loss是计算以预测值和标签值为输入所得的损失值;class是样本标签值,作为输入参数之一;x是样本标签预测值,j表示类别个数,x[j]表示第j个类别的标签预测值;
步骤4.3:优化器使用随机梯度下降算法,最小化损失函数,并更新卷积神经网络中的各个参数,所述优化器中动量参数为0.8,学习率设为0.0.1;其随机梯度下降算法更新参数的表达公式如下:
步骤5:在验证样本数据集上评估网络精度,并对网络权重进行训练,具体方法如下:
在步骤4中每一代训练后,评价网络模型在验证样本数据集上的精度值和损失值,然后对网络权重训练,依据网络分类精变化调整模型参数,经多代训练后实现网络拟合收敛。
步骤6:基于训练好的网络模型,输入高分辨率遥感影像的待测试样本数据集,经过网络模型,获得测试样本中每个像元的多个预测概率值,经处理后输出测试样本数据集的分类结果,具体方法如下:
步骤6.1:基于步骤4、步骤5训练好的模型,将高分遥感影像中待测试样本数据集批量输入到网络模型中,进行类别预测,输出批量测试样本的类别预测概率值;
步骤6.2:全部测试样本数据集经步骤6.1的批量预测后,更新预测结果,输出测试样本数据集中每个像元属于每一类别的预测概率值;
步骤6.3:基于测试样本数据集的预测分类概率值,经预测概率值筛选后,概率值最大的类别视为像元所属类别,进行维度转换,获得测试样本数据集的标签预测值,输出分类结果。
步骤7:采用形态学开运算的分类后处理,具体方法为输入测试样本数据集的预测分类结果,依次进行形态学腐蚀操作和膨胀操作,去除分类结果中的斑点噪声以及平滑边界,输出测试样本数据集最终的预测分类结果。
本实施例将三维卷积和二维卷积并联连接构成混合卷积神经网络,充分利用高分辨率遥感影像的空间信息和光谱信息,有利于提取深层次的高级特征;并且使用信息融合转换网络完成空间方面和光谱方面的特征信息融合以及转换,进一步提取判别特征,实现高分遥感影像快速分类,提高分类精度。
虽然以上详细描述了本发明的具体实施方式,但并不能因此而理解为对发明专利范围的限制。应到指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于,包括以下步骤:
步骤1,输入待处理的高分辨率遥感影像数据,进行数据归一化、极值处理预处理,获取待标记和测试的高分辨率遥感影像;
步骤2,构建高分遥感影像多类别样本数据集和相应的样本标签集,进行数据分割以构建三个类型的样本数据集:有标签的训练样本数据集和验证样本数据集,以及测试样本数据集;
步骤3,分别搭建三维卷积神经网络、二维卷积神经网络和信息融合转换网络,并将其连接成并联混合卷积网络;
步骤3的具体处理过程如下;
步骤3.1,搭建六层网络结构的三维卷积神经网络:第一、三、五、六层均包含三维卷积层和修正线性单元层;第二、四层只包含三维卷积层,步长为2;
步骤3.2,搭建多尺度卷积和注意力卷积的二维卷积神经网络:第一层包含二维卷积层和修正线性单元层;第二层包含三个多尺度的二维深度可分离卷积层和修正线性单元层,其卷积核大小分别设置为3×3、5×5、7×7,且以并联方式分布,经逐点相加层连接输出;第三层与第一层结构相同,不同之处在于参数设置;第四层包含注意力卷积层,注意力卷积块包含通道注意力模块、空间注意力模块和全局上下文注意力模块,以逐点相加层连接输出;
步骤3.3,搭建信息融合转换网络:第一层包含特征信息拼接层,融合三维卷积神经网络和二维卷积神经网络的特征信息;第二层包含二维卷积层和修正线性单元层;第三层包含最大值池化层和随机失活层,所述最大值池化层的采样核大小和步长均为2,随机失活层的失活率为0.5;第四层包含完全连接层;
步骤3.4,将搭建好的三维卷积神经网络和二维卷积神经网络以并联方式分布,利用信息融合转换网络连接前两个网络,搭建成并联混合卷积神经网络;
步骤4,批量输入带有标签的训练样本数据集到步骤3搭建的并联混合卷积网络中,以标签类别信息进行指导,使用随机梯度下降算法训练网络并优化参数,经多次完整训练后实现网络收敛;
步骤5,在验证样本数据集上评估网络精度,并对权重进行训练实现网络调整;
步骤6,基于训练好的网络模型,输入高分辨率遥感影像的待测试样本数据集,经过网络模型,获得测试样本中每个像元为多个预测概率值,通过处理后输出测试样本的预测标签值;
步骤7,采用形态学开运算的分类后处理方法,去除分类结果的斑点噪声和平滑边界,输出测试样本数据集最终的预测标签值,获得分类结果。
2.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤1的具体处理过程如下;
步骤1.1,输入待处理的高分辨率遥感影像数据,使用最大值最小值归一化方法处理,将全部像素值归一化到0-1范围,其中像素值最大设置为P,归一化公式如下:
其中,x表示输入高分遥感影像数据中一个像元的像素值;xmax和xmin是高分遥感影像中所有像素值的最大值和最小值;x*表示经最大值最小值归一化后像元的像素值;
步骤1.2,原始影像中像素值大于P的像元视为极值,经步骤1.1处理后归一化值大于1,将其进行转换处理为1,实现对归一化后影像数据的极值处理;
步骤1.3,输入上述的高分遥感影像数据,通过水平或者垂直的随机翻转、添加噪声处理,实现数据增强,增加影像类别可分性。
3.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤2的具体处理过程如下;
步骤2.1,构建高分遥感影像多类别样本数据集,并制作相应的样本标签集合,其标签类别依据GDPJ 01-2013地理国情普查内容与指标取C类;
步骤2.2,将高分遥感影像样本数据集和样本标签集合分割为训练集部分和测试集部分,训练集部分拥有多个区域和多个时相的高分影像数据并包含所有类别,其影像分割区域大小设置为M×M;在进行网络训练前,将训练集部分分割为95%的训练样本数据集和5%的验证样本数据集;
步骤2.3,测试集部分只包含测试样本数据集,源自除训练集部分之外的高分遥感影像和标签数据,并设置测试样本数据集大小为N×N。
4.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤4的具体处理过程如下;
步骤4.1,选择高分辨率遥感影像的训练样本数据集和相应的样本标签数据,批量输入到搭建好的并联混合卷积神经网络中,前向计算卷积神经网络每个神经元的输出值,并计算和输出训练样本的标签预测值,所述批量大小设为B×B;
步骤4.2,计算混合卷积神经网络的损失函数并进行反向传播,其交叉熵损失函数CELoss的计算公式如下:
其中,Loss是计算以预测值和标签值为输入所得的损失值;class是样本标签值,作为输入参数之一;x是样本标签预测值,j表示类别个数,x[j]表示第j个类别的标签预测值;
步骤4.3,优化器使用随机梯度下降算法,最小化损失函数,并更新卷积神经网络中的各个参数,其随机梯度下降算法更新参数的表达公式如下:
Wt+1=Wt-ηtgt
其中,W是模型参数,Wt代表第t组的网络模型参数,Wt+1代表第t+1组更新后的网络模型参数;ηt是卷积神经网络的学习率;gt是损失函数CELoss对网络模型参数W求偏导。
5.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤5中的网络调整的具体做法为:进行每一代训练后,评价网络模型在验证样本数据集上的精度值,然后对网络的权重进行训练,依据网络分类精度变化调整网络模型参数;经多代训练后实现网络拟合收敛。
6.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤6的具体处理过程如下;
步骤6.1,基于步骤4、步骤5训练好的模型,将高分遥感影像的待测试样本数据集批量输入到网络模型中,进行类别预测,输出批量测试样本的预测概率值;
步骤6.2,全部测试样本数据集经步骤6.1的批量预测后,更新预测结果,输出测试样本数据集中每个像元属于每一类别的预测概率值;
步骤6.3,基于测试样本的预测分类概率值,经预测概率值筛选后,概率值最大的类别视为像元所属类别,进行维度转换,获得测试样本数据集的预测标签值,输出分类结果。
7.根据权利要求1所述的一种基于并联混合卷积网络的高分辨率遥感影像分类方法,其特征在于:步骤7中形态学开运算分类后处理的具体做法为:输入测试样本数据集的预测分类结果,依次进行形态学腐蚀操作和膨胀操作处理,获得测试样本数据集的预测标签值,输出最终分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065211.8A CN114092832B (zh) | 2022-01-20 | 2022-01-20 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065211.8A CN114092832B (zh) | 2022-01-20 | 2022-01-20 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092832A CN114092832A (zh) | 2022-02-25 |
CN114092832B true CN114092832B (zh) | 2022-04-15 |
Family
ID=80308905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210065211.8A Active CN114092832B (zh) | 2022-01-20 | 2022-01-20 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092832B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894819B (zh) * | 2022-05-07 | 2023-06-23 | 中国石油大学(华东) | 一种星载gnss-r土壤湿度反演方法 |
CN115049936B (zh) * | 2022-08-12 | 2022-11-22 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种面向高分遥感影像的边界增强型语义分割方法 |
CN115249332B (zh) * | 2022-09-23 | 2023-01-20 | 山东锋士信息技术有限公司 | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 |
CN115661655B (zh) * | 2022-11-03 | 2024-03-22 | 重庆市地理信息和遥感应用中心 | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 |
CN116434065B (zh) * | 2023-04-19 | 2023-12-19 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
CN116593980B (zh) * | 2023-04-20 | 2023-12-12 | 中国人民解放军93209部队 | 雷达目标识别模型训练方法、雷达目标识别方法及装置 |
CN116503744B (zh) * | 2023-06-28 | 2023-09-29 | 航天宏图信息技术股份有限公司 | 高度等级引导的单视角遥感影像建筑高度估计方法和装置 |
CN116778104B (zh) * | 2023-08-16 | 2023-11-14 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
CN117036984B (zh) * | 2023-10-09 | 2024-01-09 | 武汉大学 | 一种融合注意力机制的级联u型网络云检测方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109410242A (zh) * | 2018-09-05 | 2019-03-01 | 华南理工大学 | 基于双流卷积神经网络的目标跟踪方法、***、设备及介质 |
CN110334765A (zh) * | 2019-07-05 | 2019-10-15 | 西安电子科技大学 | 基于注意力机制多尺度深度学习的遥感影像分类方法 |
CN111898543A (zh) * | 2020-07-31 | 2020-11-06 | 武汉大学 | 一种融合几何感知与图像理解的建筑物自动提取方法 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
CN112560894A (zh) * | 2020-11-16 | 2021-03-26 | 武汉光谷信息技术股份有限公司 | 一种改进型3d卷积网络高光谱遥感影像分类方法及装置 |
CN112836666A (zh) * | 2021-02-19 | 2021-05-25 | 河海大学 | 一种高光谱图像分类识别方法 |
CN112883900A (zh) * | 2021-03-12 | 2021-06-01 | 中科三清科技有限公司 | 遥感影像裸地反演可视图的方法及装置 |
CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
CN113361355A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 联合多时相特征的遥感影像地表要素识别方法及存储介质 |
CN113486859A (zh) * | 2021-08-03 | 2021-10-08 | 张博宙 | 基于多类谱图和复合卷积神经网络的人体行为识别方法 |
CN113705526A (zh) * | 2021-09-07 | 2021-11-26 | 安徽大学 | 一种高光谱遥感影像分类方法 |
-
2022
- 2022-01-20 CN CN202210065211.8A patent/CN114092832B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
CN109410242A (zh) * | 2018-09-05 | 2019-03-01 | 华南理工大学 | 基于双流卷积神经网络的目标跟踪方法、***、设备及介质 |
CN110334765A (zh) * | 2019-07-05 | 2019-10-15 | 西安电子科技大学 | 基于注意力机制多尺度深度学习的遥感影像分类方法 |
CN111898543A (zh) * | 2020-07-31 | 2020-11-06 | 武汉大学 | 一种融合几何感知与图像理解的建筑物自动提取方法 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
CN112560894A (zh) * | 2020-11-16 | 2021-03-26 | 武汉光谷信息技术股份有限公司 | 一种改进型3d卷积网络高光谱遥感影像分类方法及装置 |
CN112836666A (zh) * | 2021-02-19 | 2021-05-25 | 河海大学 | 一种高光谱图像分类识别方法 |
CN112883900A (zh) * | 2021-03-12 | 2021-06-01 | 中科三清科技有限公司 | 遥感影像裸地反演可视图的方法及装置 |
CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
CN113361355A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 联合多时相特征的遥感影像地表要素识别方法及存储介质 |
CN113486859A (zh) * | 2021-08-03 | 2021-10-08 | 张博宙 | 基于多类谱图和复合卷积神经网络的人体行为识别方法 |
CN113705526A (zh) * | 2021-09-07 | 2021-11-26 | 安徽大学 | 一种高光谱遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
Classification of hyperspectral remote sensing images using different dimension reduction methods with 3D/2D CNN;Huseyin Firat等;《Remote Sensing Applications:Society and Environment 25(2022)》;20220111;第1-17页 * |
关节点时空信息融合降维的人体动作识别方法;李博文等;《微电子学与计算机》;20210924;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114092832A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN105975573B (zh) | 一种基于knn的文本分类方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及*** | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN106295613A (zh) | 一种无人机目标定位方法及*** | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN111178304B (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
CN106529721A (zh) | 一种深度特征提取的广告点击率预测***及其预测方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
CN114359702A (zh) | 一种基于Transformer的宅基地遥感图像违建识别方法及*** | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN115690549A (zh) | 一种基于并联交互架构模型实现多维度特征融合的目标检测方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |