[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

说明书

本发明公开了一种基于Dual‑ResNet小样本学习的遥感影像场景精确分类方法，首先，对同时输入的两幅遥感场景图像X1和X2，采用ResNet‑18对其进行特征提取分别得到特征Gw(X1)和Gw(X2)，两个ResNet‑18在训练过程中共享权重。其次，计算两个ResNet‑18网络提取特征之间的距离，然后，通过将该组特征之间的距离与预设定的阈值相比较得到预测的类别标签，最后输出预测的类别标签。本发明利用Dual‑ResNet同时对输入的两幅遥感图像进行训练，分别学习得到的两幅图像之间的特征距离，与普通的深度学习相比，这种方法能够在学习图像特征的同时减小类内距离并增大类间距离，改进了深度学习对数据量大小的依赖性，该发明对于小样本数据量的遥感图像场景分类具有很好的效果。

技术领域

本发明属于图像处理领域，尤其涉及一种基于Dual-ResNet小样本学习的遥感影像场景精确分类方法。

背景技术

遥感图像场景分类是图像处理领域的一个研究热点，也是计算机视觉中的一个极具挑战的任务，随着遥感影像技术的快速发展，光学遥感影像数据量获得快速增长，遥感图像包含的信息非常丰富,如空间信息、纹理信息、地物的几何结构信息等。影像中的地物目标具有同类差异大和部分类间相似度高的特点，因而如何有效地自动对遥感图像场景进行分类识别已经吸引了众多研究者的关注。随着各种深度卷积神经网络模型的发展，遥感图像的场景分类方法也从传统的手工特征提取逐渐向深度学习不断过渡。

然而当下的深度学习的性能在很大程度上受到数据驱动的影响，但是否能获取到大量的数据以及高额的人工标注成本都是一个很大的问题，所以在有限的数据中实现一个任务的精确识别是很重要的。在对测试实例进行预测之前，通过只观察每个可能类的一个或少许几个示例来学习这些类间的差异和类内的共性，这种技术被称为小样本学习。

公开号为CN110046575A，发明名称为基于改进残差网络的遥感图像场景分类方法的专利，通过对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率，然后用训练后的残差网络结构对遥感图像进行场景分类。该方法虽然能够有效地解决遥感图像在深度学习中梯度消失的问题，但是，该网络对图像分类利用的特征仅仅考虑了遥感图像高层的语义特征，而没有考虑遥感图像的类别分布不均匀以及类间的差异等因素，该方法对于少样本的遥感图像很难达到理想的分类精度。

公开号为CN110414377A，发明名称为一种基于尺度注意力网络的遥感图像场景分类方法的专利，通过将数据集输入到注意力模块中进行显著性检测，产生注意力图；然后，利用预训练模型初始化尺度注意力网络参数，并使用训练集和注意力图微调尺度注意力网络，保存训练好的网络模型；最后，使用微调后的尺度注意力网络预测待分类图像场景的类别。该基于尺度注意力网络的遥感图像场景分类方法，通过多次利用多尺度注意力图给特征图加权，又通过提取多尺度图像特征并融合，产生了判别力增强的特征表示，这种方法虽然在部分遥感图像场景分类上取得了较好的效果。但是这种网络在训练过程中计算量较大，而且对样本的数据量依赖很强，对于部分具有长尾现象以及分布不均衡的遥感场景图像效果会很不理想。

综上，现有的遥感图像场景分类方法，存在的诸多局限性主要表现在：

(1)深度神经网络的设计复杂，从而增加了训练过程中的运算时间，且过深的神经网络容易导致过拟合、梯度消失等现象。

(2)没有很好地考虑遥感图像数据的分布情况，对于遥感图像的场景分类，遥感图像在每一类中的样本数常常存在分布不均衡的情况，如果在训练过程中忽视了这一点，很容易导致分布较少的样本类别的预测精度较低。

(3)神经网络的训练过程对样本的数量依赖性较强，一般地，样本数量越丰富训练出的神经网络最终预测的结果也就更好，但是对于遥感这一类图像，高额的人工标注成本使得供训练的遥感图像数据量并不是特别大，所以小样本学习将会成为遥感领域以至计算机视觉邻域的一个重大发展方向。

发明内容