[发明专利]一种基于深度学习的大规模遥感影像目标自动识别方法

摘要

本发明提供了一种大规模遥感影像目标识别方法，包括：采用深度神经网络对训练遥感影像进行训练，对训练好的深度神经网络添加一个目标分类层，再对该深度神经网络进行调整，得到最优的深度神经网络，通过该最优的深度神经网络对大规模遥感影像进行目标自动识别。本发明能快速和准确的完成大规模遥感影像特征提取，提高特征对遥感影像的光照、角度、尺度和背景等复杂变化的反应性，进而提高大规模遥感影像目标识别的效率。

主权项

1.一种大规模遥感影像目标识别方法，其特征在于，包括：S1，采用深度神经网络对训练遥感影像进行特征学习，其中，所述深度神经网络包括输入层和隐藏层；S2，在训练后的深度神经网络中添加一目标分类层，用于对输入至所述深度神经网络的遥感影像中的目标进行分类；S3，将待测遥感影像输入至所述深度神经网络；S4，通过所述深度神经网络的前向传播计算所述待测遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果;所述步骤S1中，将训练遥感影像输入到输入层，通过构建输入层与隐藏层的联合概率分布，在隐藏层得到训练遥感影像的高层特征表示，从而进行深度神经网络训练，其中，输入层与隐藏层满足如下波尔兹曼分布：其中，v和h分别为输入层和隐藏层节点，Z为配分函数，其表达式为：E(v,h)为能量函数，用于表示输入层节点与隐藏层节点的能量关系，其表达式为：其中θ＝{w,a,b}为两层网络的参数，vi为输入层节点i，wij为节点i和j的连接权值，hj为隐藏层节点j，ai为输入层节点i的偏置项，bj为隐藏层节点j的偏置项；所述输入层具有最优化的边缘概率分布P(v)：通过对训练遥感影像的对数概率进行最优化来进行参数估计，其中，基于结构稀疏优化的损失函数L如下：L＝‑log P(v)+μ||P(h＝1|v)||1+λ||P(h＝1|v)||1,2+η||w||2，其中，‑log P(v)为输入层的对数概率分布，||P(h＝1|v)||1为节点稀疏惩罚因子，其表达式为：其中，|P(hj＝1|v)|表示隐藏节点激活值绝对值，||P(h＝1|v)||1,2为分组稀疏惩罚因子，其表达式为：其中，m为分组数量，Gm为m组包含的隐藏节点集合，hk为第k个隐藏节点，||w||2为权值衰减惩罚因子，其表达式为：利用梯度下降法进行损失函数的最优化，其表达式为：其中，为损失函数偏导数，和<v_ih_j>分别为训练遥感影像的经验分布和模型分布的期望；在所述步骤S2中，在深度神经网络最上层添加一个全连接网络作为目标分类层，将输出特征作为该目标分类层的输入，同时将目标的类别数量作为目标分类层输出，在该目标分类层中，采用多类逻辑斯谛回归模型Pj进行目标分类，其表达式为：其中，f(xi)＝wijxi+bj，多类逻辑斯谛回归模型的输出是一个n维向量，n为目标的类别数目；在所述步骤S3之前还包括：对具有目标分类层的深度神经网络进行参数调整，得到最优的深度神经网络；进行所述参数调整时：将训练遥感影像输入至所述深度神经网络，得到相应的预测值，计算所述预测值与所述训练遥感影像的真实值之间的差值，得到差值函数，根据所述差值函数确定优化目标函数，接着，计算优化目标函数对于参数的梯度值，根据所述梯度值，利用梯度下降算法进行参数调整，得到优化的深度神经网络参数。