[发明专利]基于Dual-ResNet小样本学习的遥感影像场景精确分类方法

权利要求书

1.一种基于Dual-ResNet小样本学习的遥感影像场景精确分类方法，其特征在于：该方法包括以下步骤：

(1)构建遥感场景图像样本数据集，并制作相应的样本类别标签集合，将遥感场景图像样本数据集分为训练集Train和测试集Test；

(2)构建ResNet-18卷积神经网络，将训练集中任意两张图像X1,X2输入该神经网络，得到两张图像的特征向量Gw(X1)和Gw(X2)；X1,X2的类别标签为Label₁,Label₂；

ResNet-18卷积神经网络结构如下：

(2.1)在输入层中，将每一个遥感场景图像归一化为224×224大小；

(2.2)在第一层的卷积层中，定义64个尺寸为7×7的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.3)在第二层的池化层中，池化方法设为MAX pooling；

(2.4)在第三、四、五、六层的卷积层中，均分别定义64个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；

(2.5)在第七层的卷积层中，定义128个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.6)在第八、九、十层的卷积层中，均分别定义128个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；

(2.7)在第十一层的卷积层中，定义256个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.8)在第十二、十三、十四层的卷积层中，均分别定义256个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；

(2.9)在第十五层的卷积层中，均分别定义512个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.10)在第十六、十七、十八层的卷积层中，均分别定义512个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；

(2.11)在第十九层的池化层中，池化方法设为Avg pooling；

(2.12)第二十层为全连接层；

其中，特征向量计算方法如下：

对于输入图像x，ResNet-18卷积神经网络第十八层的卷积层学习得到512个7×7大小的特征图f_i，其中i＝1,…,512；对每个特征图f_i通过ResNet-18卷积神经网络第十九层的平均池化层，得到的特征图f_i所对应池化的结果为：

其中为特征图f_i第j行k列的元素值；将每个特征图池化的结果组合成一个长度为512的列向量(AP₁,AP₂,...,AP₅₁₂)即为池化后的特征向量；将池化后的特征向量输入全连接层，得到降维后的特征向量(FC₁,FC₂,...,FC_r)，其中r为全连接层的神经元个数；该特征向量即为ResNet-18卷积神经网络学习到的遥感图像的特征向量Gw(x)；

(3)计算两个特征向量Gw(X1)和Gw(X2)之间的距离；将该两个特征之间的距离与训练的样本已知标签Label₁,Label₂的关系构建一个对比损失函数；

(4)设定训练次数，输入训练集图像至卷积神经网络，通过最小化对比损失函数训练网络，更新网络参数，直到参数取值收敛；收敛条件为对比损失函数的值较前一次训练计算的值不再减小；

(5)将测试集输入到训练好的卷积神经网络，得到测试集中每张图像的特征向量；将该特征向量分别与训练集中每个类别的任一张图像的特征向量进行距离计算；

(6)将步骤(5)中计算的各距离与预设阈值进行比较，若距离值小于或等于预设阈值，该距离对应的训练集图像所属的类别作为相应的测试集图像的预测类别。