基于自补偿卷积神经网络的遥感场景图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113723570A(43)申请公布日2021.11.30(21)申请号202111193355.3(22)申请日2021.10.13(71)申请人齐齐哈尔大学地址161006黑龙江省齐齐哈尔市建华区文化大街42号(72)发明人石翠萍张鑫磊岳淑衡(74)专利代理机构哈尔滨市松花江专利商标事务所23109代理人张换男(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书17页附图12页(54)发明名称基于自补偿卷积神经网络的遥感场景图像分类方法(57)摘要基于自补偿卷积神经网络的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有方法无法实现模型分类精度和运行速度的均衡，不能使分类精度和运行速度同时达到最优的问题。过程为：步骤一、采集高光谱图像数据集和相对应的标签向量数据集；步骤二、建立自补偿卷积神经网络；步骤三、将高光谱图像数据集和相对应的标签向量数据集输入到建立的自补偿卷积神经网络中，进行迭代优化，得到最优自补偿卷积神经网络；步骤四、向最优自补偿卷积神经网络中输入待测高光谱图像进行分类结果预测。本发明用于遥感场景图像分类领域。CN113723570ACN113723570A权利要求书1/2页1.基于自补偿卷积神经网络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、采集高光谱图像数据集X和相对应的标签向量数据集Y；步骤二、建立自补偿卷积神经网络；步骤三、将高光谱图像数据集X和相对应的标签向量数据集Y输入到建立的自补偿卷积神经网络中，进行迭代优化，得到最优自补偿卷积神经网络；步骤四、向最优自补偿卷积神经网络中输入待测高光谱图像进行分类结果预测。2.根据权利要求1所述基于自补偿卷积神经网络的遥感场景图像分类方法，其特征在于：所述步骤二中建立自补偿卷积神经网络；具体过程为：自补偿卷积神经网络包括输入层、第一卷积层、第二卷积层、第一自补偿卷积模块、第一最大池化层、第二自补偿卷积模块、第二最大池化层、第三自补偿卷积模块、第三最大池化层、第四自补偿卷积模块、第四最大池化层、第五自补偿卷积模块、第五最大池化层、第六自补偿卷积模块、全局平均池化和SoftMax分类器。3.根据权利要求2所述基于自补偿卷积神经网络的遥感场景图像分类方法，其特征在于：所述自补偿卷积神经网络连接关系为：输入层的输出端连接第一卷积层，第一卷积层的输出端连接第二卷积层，第二卷积层的输出端连接第一自补偿卷积模块，第一自补偿卷积模块的输出端连接第一最大池化层，第一最大池化层的输出端连接第二自补偿卷积模块，第二自补偿卷积模块的输出端连接第二最大池化层，第二最大池化层的输出端连接第三自补偿卷积模块，第三自补偿卷积模块的输出端连接第三最大池化层，第三最大池化层的输出端连接第四自补偿卷积模块，第四自补偿卷积模块的输出端连接第四最大池化层，第四最大池化层的输出端连接第五自补偿卷积模块，第五自补偿卷积模块的输出端连接第五最大池化层，第五最大池化层的输出端连接第六自补偿卷积模块，第六自补偿卷积模块的输出端连接全局平均池化，全局平均池化的输出端连接SoftMax分类器实现分类。4.根据权利要求3所述基于自补偿卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一自补偿卷积模块、第二自补偿卷积模块、第三自补偿卷积模块、第四自补偿卷积模块、第五自补偿卷积模块、第六自补偿卷积模块中每个自补偿卷积模块包括两个卷积层。5.根据权利要求4所述基于自补偿卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一自补偿卷积模块、第二自补偿卷积模块、第三自补偿卷积模块、第四自补偿卷积模块、第五自补偿卷积模块、第六自补偿卷积模块中每个自补偿卷积模块对输入图像的处理过程为：首先，将输入图像特征用压缩后的卷积核进行卷积，得到一组卷积后的特征Fconv1(x)表示为Fconv1(x)＝X*f其中是卷积核，是实数，c是通道数，h和w分别是输入图像特征的高和宽，*是卷积操作，k×k是卷积核的尺寸；2CN113723570A权利要求书2/2页接着，将卷积得到的和输入进行通道融合，得到通道融合后的特征Ffuse表示为然后，将通道融合后的特征进行通道重分配后，得到中间特征对进行卷积，得到Fconv2(x)表示为Fconv2(x)＝X1*f1是卷积核，k×k是卷积核的尺寸；将卷积得到的和原始输入图像特征进行通道融合，得到卷积通道融合后的特征Foutput表示为最后将卷积通道融合后的特征Foutput进行通道重分配后，得到输出结果6.根据权利要求5所述基于自补偿卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一卷积