[发明专利]用于遥感场景分类的多任务神经网络框架及分类方法

权利要求书

1.一种用于遥感场景分类的多任务神经网络框架的分类方法，其特征在于：

所述用于遥感场景分类的多任务神经网络框架，包括卷积特征提取层、分类任务全连接特征提取层、分类任务判别层以及分类任务损失层；

还包括辅助任务全连接特征提取层、辅助任务判别层、辅助任务损失层、分类任务特征映射层、辅助任务特征映射层以及关系学习损失层；

所述卷积特征提取层提取输入图像特征，输出卷积特征图；

所述分类任务全连接特征提取层和辅助任务全连接特征提取层分别从卷积特征图提取特征，对应输出适应于分类任务的全连接特征向量和适应于辅助任务的全连接特征向量；

所述分类任务判别层和分类任务损失层在训练阶段依次根据输入的适应于分类任务的全连接特征向量，输出分类任务损失；

所述辅助任务判别层和辅助任务损失层在训练阶段依次根据输入的适应于辅助任务的全连接特征向量，输出辅助任务损失；

所述分类任务特征映射层在训练阶段将输入的适应于分类任务的全连接特征向量降维后得到分类任务特征映射向量；所述辅助任务特征映射层在训练阶段将输入的适应于辅助任务的全连接特征向量降维后得到辅助任务特征映射向量；所述关系学习损失层在训练阶段将输入的分类任务特征映射向量与辅助任务特征映射向量作差，并将差向量的范数输出作为关系学习损失；

所述分类任务损失、辅助任务损失以及关系学习损失一起加入优化训练；

所述分类任务判别层在测试阶段根据输入的适应于分类任务的全连接特征向量，输出分类任务判别结果；

所述辅助任务判别层在测试阶段根据输入的适应于辅助任务的全连接特征向量，输出辅助任务判别结果；

所述用于遥感场景分类的多任务神经网络框架的分类方法，包括以下阶段：

训练阶段：

步骤1.1：输入待处理图像；

步骤1.2：卷积特征提取层提取输入的待处理图像的卷积特征图；

步骤1.3：采用分类任务全连接特征提取层从卷积特征图中提取适应于分类任务的全连接特征向量；采用辅助任务全连接特征提取层从卷积特征图中提取适应于辅助任务的全连接特征向量；

步骤1.4：所述适应于分类任务的全连接特征向量依次经过分类任务判别层和分类任务损失层，输出分类任务损失；

所述适应于辅助任务的全连接特征向量依次经过辅助任务判别层和辅助任务损失层，输出辅助任务损失；

所述适应于分类任务的全连接特征向量经过分类任务特征映射层降维后得到分类任务特征映射向量；所述适应于辅助任务的全连接特征向量经过辅助任务特征映射层降维后得到辅助任务特征映射向量；所述关系学习损失层将分类任务特征映射向量与辅助任务特征映射向量作差，并将差向量的范数输出作为关系学习损失；

步骤1.5：采用优化策略，对分类任务损失、辅助任务损失以及关系学习损失进行神经网络权重参数优化；

测试阶段：

步骤2.1：输入待处理图像；按步骤1.2-步骤1.3进行处理；

步骤2.2：所述适应于分类任务的全连接特征向量经过分类任务判别层，直接输出分类任务判别结果；所述适应于辅助任务的全连接特征向量经过辅助任务判别层，直接输出辅助任务判别结果。

2.根据权利要求1所述的用于遥感场景分类的分类方法，其特征在于：步骤1.3中，所述适应于辅助任务的全连接特征向量中的辅助任务为属性判别任务或分割任务或显著性目标检测任务。

3.根据权利要求1或2所述的用于遥感场景分类的分类方法，其特征在于：步骤1.5中，所述优化策略为随机梯度下降法。