[发明专利]一种遥感图像场景分类方法及装置

说明书

本发明公开了一种遥感图像场景分类方法及装置，缓解了冗余信息的干扰和类内多样性的影响，提高了遥感图像场景分类的分类准确率。方法包括：获取遥感图像的场景数据集，场景数据集包括训练集和测试集；通过数据增强技术对训练集的遥感图像进行预处理；通过自注意力机制对预置残差网络结构进行改进，得到自注意力残差网络；利用训练集对自注意力残差网络进行训练，并根据交叉熵损失及中心损失对自注意力残差网络的参数进行优化；根据优化后的自注意力残差网络，对测试集的图像进行分类，得到遥感图像场景分类结果。

技术领域

本发明涉及遥感技术领域，特别是涉及一种遥感图像场景分类方法及装置。

背景技术

近年来，随着遥感技术及传感器系统的快速发展，遥感图像数据不断涌现。遥感图像场景分类是遥感图像分析解译的一种重要手段，在城市规划、土地资源管理和军事侦查等领域都有着广泛的应用。但遥感场景空间布局复杂，分类时容易受到冗余背景的干扰，目标的多样性导致其类别更加难以区分，这使得分类任务变得相当具有挑战性。

随着深度学习的发展，卷积神经网络也被研究人员利用到遥感图像场景分类中来提取高级语义特征。它们大多采用预先训练好的神经网络模型，例如CaffeNet、GoogleNet和VGGNet，作为遥感场景分类的特征提取器。基于深度学习的方法可以学习更多抽象和高级的语义特征，进一步提供对场景的高效表示和识别。

但是，由于遥感场景中目标通常小而分散，冗余背景占据了图像的大部分空间，场景中并非所有的信息都是对分类有用的。而现有的遥感图像场景分类方法大多是从整个图像中提取特征，而没有充分利用图像中最关键的目标信息，容易受到冗余信息的干扰。另外，遥感图像场景的类内多样性也给分类带来了很大的难度，不同的季节、位置和传感器等因素都可能使得相同类别的场景具有较大的差异性。冗余信息的干扰和类内多样性的影响，都会导致遥感图像场景分类的分类准确率降低。

发明内容

本发明的目的是提供一种遥感图像场景分类方法及装置，缓解了冗余信息的干扰和类内多样性的影响，提高了遥感图像场景分类的分类准确率。

本发明第一方面提供一种遥感图像场景分类方法，包括：

获取遥感图像的场景数据集，场景数据集包括训练集和测试集；

通过数据增强技术对训练集的遥感图像进行预处理；

通过自注意力机制对预置残差网络结构进行改进，得到自注意力残差网络；

利用训练集对自注意力残差网络进行训练，并根据交叉熵损失及中心损失对自注意力残差网络的参数进行优化；

根据优化后的自注意力残差网络，对测试集的遥感图像进行分类，得到遥感图像场景分类结果。

进一步的，利用训练集对自注意力残差网络进行训练，并根据交叉熵损失及中心损失对自注意力残差网络的参数进行优化，包括：

将训练集的遥感图像输入到自注意力残差网络，自注意力残差网络包括五个卷积阶段、自注意力机制、最大池化层、平均池化层、全连接层及分类层；

通过前四个卷积阶段及最大池化层对遥感图像进行处理，输出特征图；

通过自注意力机制对特征图进行处理，输出自注意力特征图；

通过第五个卷积阶段、平均池化层及全连接层对自注意力特征图进行处理，输出特征向量；

通过分类层对特征向量进行场景分类，输出训练图像的分类结果，训练图像为训练集中的遥感图像；

根据训练图像的真实分类概率分布与训练图像的分类结果的预测分类概率分布，计算得到交叉熵损失值；

根据全连接层进行降维处理，并计算得到训练样本的中心损失值，训练样本为训练集中的遥感图像样本；