[发明专利]一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法

说明书

本发明公开了一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法，所述方法包括获取遥感图像，将所述遥感图像处理为224×224×3的图像；对所述处理过的遥感图像分别进行下采样、全局特征提取和局部特征提取，然后输入到平均池化层和全连接层得到大小为1×1×1000的第一特征向量；对所述处理过的遥感图像分别进行上下文信息建模、随机结点采样器和图卷积网络后，输入平均池化层和全连接层得到大小为1×1×1000的第二特征向量；将所述第一特征向量和第二特征向量使用加法策略融合，获取融合后的特征；将所述融合后的特征输入到全连接层和Softmax分类层中预测得到最终的分类结果，本发明可以有效的融合局部关键特征和长距离空间特征实现分类。

技术领域

本发明涉及一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法，属于图像分类技术领域。

背景技术

高分辨率遥感图像场景分类是遥感数据处理的重要组成部分，即自动的为每一幅场景图像分配其固定的语义标签，在城市规划、应急灾害、土地利用和环境监测等领域应用广泛。早期遥感图像分类主要使用人工设计特征的方法，需要专家针对不同场景的特点精心设计、直观、显式的提取特征，通过编码后用于分类任务。但通常是低级密集特征，包含大量冗余信息，影响分类精度。

ConvNeXt是目前图像分类领域性能最好的模型之一，在宏观设计上，优化计算分布，使用ViT中的Patchify操作代替初始下采样操作。采用ResNeXt中的分组卷积，使用深度可分离卷积减少参数量同时拓宽通道数补偿容量损失。采用MobileNetV2中的反向瓶颈结构避免信息流失，使用7×7卷积核代替3×3卷积核获取更大感受野。但是在提取特征时对所有通道赋予相同的权重，限制了算法的分类性能，无法准确提取局部特征和长距离空间特征。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法，可以有效的融合局部关键特征和长距离空间特征实现分类。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种改进的ConvNeXt卷积神经网络，所述改进的ConvNeXt卷积神经网络从前至后为Conv1层、层正则化、ConvNeXT网络、注意力机制模块、全连接层以及并行的随机节点采样器、图卷积网络、全连接层；

所述ConvNeXT网络包括Stage1、Stage2、Stage3和Stage4，其中，Stage1包括多个ConvNeXT Block、Stage2包括多个ConvNeXT Block、Stage3包括多个ConvNeXT Block、Stage4包括多个ConvNeXT Block。

第二方面，本发明提供了一种遥感图像的分类方法，应用于上述的一种改进的ConvNeXt卷积神经网络中，包括：

获取遥感图像，将所述遥感图像处理为224×224×3的图像；

对所述处理过的遥感图像分别进行下采样、全局特征提取和局部特征提取，然后输入到平均池化层和全连接层得到大小为1×1×1000的第一特征向量；

对所述处理过的遥感图像分别进行上下文信息建模、随机结点采样器和图卷积网络后，输入平均池化层和全连接层得到大小为1×1×1000的第二特征向量；

将所述第一特征向量和第二特征向量使用加法策略融合，获取融合后的特征；

将所述融合后的特征输入到全连接层和Softmax分类层中预测得到最终的分类结果。

进一步的，对所述处理过的遥感图像分别进行下采样、全局特征提取和局部特征提取，然后输入到平均池化层和全连接层得到大小为1×1×1000的第一特征向量，包括：

对所述处理过的遥感图像进行下采样，得到56×56×96的特征图；