[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

说明书

本发明涉及一种用于遥感场景分类的神经网络框架及分类方法，特别涉及一种用于遥感场景分类的多任务神经网络框架及分类方法，解决了现有网络框架及分类方法，信息量存在局限性，场景识别不准确，分类精度低的问题。该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、分类任务损失层；其特殊在于：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及关系学习损失层；两个特征映射层分别将适应于两种任务的全连接特征向量降维，关系学习损失层将降维后的向量作差并将差向量的范数作为关系学习损失，关系学习损失与两种任务的判别损失一起加入优化训练。

技术领域

本发明涉及一种用于遥感场景分类的神经网络框架及分类方法，特别涉及一种用于遥感场景分类的多任务神经网络框架及分类方法。

背景技术

高分遥感场景分类任务的目标是：根据输入图像的信息，将感兴趣的前景和背景以及其它前景区分开来。

场景分类方法可以划分为基于手工特征和基于深度学习这两类方法。基于手工特征的方法采用人为设计的特征，在过去的一段时间里，该方法取得了不错的效果；但是随着深度学习的兴起，基于手工特征的方法依赖人为因素的弊端显示了出来，而深度学习能够自主学习有利的特征，使得场景分类的平均准确率AP得到了大幅提升。

基于深度学习的场景分类框架，一般包括两个阶段：即训练阶段和测试阶段。其中，训练阶段包括卷积特征提取、全连接特征提取、损失计算以及迭代优化；测试阶段包括卷积特征提取、全连接特征提取以及类别判别。在高分遥感场景中，存在大量相似度较高的场景类别，难以直接判别。为了应对这个问题，一些现有工作从不同方面展开研究，如下所述：

第一个是由Hu,Fan和Zhang,Liangpei在“F.Hu,G.-S.Xia,J.Hu,and L.Zhang,Transferring deep convolutional neural networks for the scene classificationof high-resolution remote sensing imagery,Remote Sensing,vol.7,no.11,pp.14680-14707,2015.”上提出的工作。该工作集成了全连接特征和多尺度密集卷积特征，以增强表达能力，从而提高分类精度。

第二个是由Li,Erzhu和Du,Peijun在“E.Li,J.Xia,P.Du,C.Lin,and A.Samat,Integrating multilayer features of convolutional neural networks for remotesensing scene classification,IEEE Transactions on Geoscience and RemoteSensing,vol.55,no.10,pp.5653-5665,2017.”上提出的工作。该工作集成了卷积神经网络的多层特征，该方法与现有技术的其它方法相比，具有竞争优势。

第三个是由Alshehhi,Rasha和Dalla Mura,Mauro在“R.Alshehhi,P.R.Marpu,W.L.Woon,and M.Dalla Mura,Simultaneous extraction of roads and buildings inremote sensing imagery with convolutional neural networks,ISPRS Journal ofPhotogrammetry and Remote Sensing,vol.130,pp.139-149,2017.”上提出的工作。该工作结合道路和建筑物的特征，提出了一种新的卷积神经网络框架。