[发明专利]遥感分类卷积神经网络的关键卷积层超参数确定方法有效
| 申请号： | 201710157511.8 | 申请日： | 2017-03-16 |
| 公开（公告）号： | CN106980896B | 公开（公告）日： | 2019-11-26 |
| 发明（设计）人： | 崔巍;郑振东;周琪 | 申请（专利权）人： | 武汉理工大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 42102 湖北武汉永嘉专利代理有限公司 | 代理人： | 王丹<国际申请>=<国际公布>=<进入国 |
| 地址： | 430070 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 暂无信息 | 说明书： | 暂无信息 |
| 摘要： | 本发明提供一种遥感分类卷积神经网络的关键卷积层超参数确定方法，包括以下步骤：卷积神经网络样本集的构建；卷积神经网络结构的构建；卷积神经网络关键层超参数的确定：选定其中一个卷积层为关键层，预设关键层卷积核大小，计算卷积尺度；根据关键层卷积核和卷积尺度，按照设置的规则计算卷积步长；预设其它卷积层卷积核为kernelsize，其它卷积层卷积步长为1；后续降采样大小采用均值降采样或最大值降采样。本发明提出了基于影像输入大小和卷积核大小，提出卷积尺度的概念，这与遥感空间尺度相适应，并在此基础之上，提供了一种基于输入大小和卷积尺度联合确定关键层超参数的方法，能够减少算法调参所需要的时间，提高面向对象遥感分类精度。 | ||
| 搜索关键词： | 遥感 分类 卷积 神经网络 关键 参数 确定 方法 | ||
【主权项】：
1.一种遥感分类卷积神经网络的关键卷积层超参数确定方法，其特征在于：它包括以下步骤：/n卷积神经网络样本集的构建：/n对获取的研究区域的遥感影像进行数据处理，得到具有若干个inputsize*inputsize大小的遥感影像对象的样本集合，将样本集合分为训练集和验证集，训练集和样本集中各地物类别数目比例一致；/n卷积神经网络结构的构建：设计卷积层和降采样层的个数与排布顺序；/n卷积神经网络关键层超参数的确定：选定其中一个卷积层为关键层，预设关键层卷积核大小kernelsize1，计算卷积尺度kernel1scale=inputsize/kernelsize1；/n根据inputsize和kernel1scale，按照以下设置规则计算卷积步长stride：/n规则1、如果 kernel1scale<a1并且inputsize>b1，则stride设为1，并考虑兼容关系；/n规则2、如果a1<=kernel1scale<=a2并且inputsize<b1，则stride设为2或1，并考虑兼容关系；/n规则3、如果a1<=kernel1scale<=a2并且b1<=inputsize<b2，则stride设为3，并考虑兼容关系；/n规则4、如果kernel1scale>a2并且inputsize<b2，则stride设为3，并考虑兼容关系；/n所述的a1、a2、b1、b2为预设参数；所述的兼容关系为：1）对于关键层卷积得到输出特征图大小outputsize，若后续降采样大小分别为s1、s2、s3、……、sn，则设计关键层输出特征图大小的方式如下：outputsize =k*s1*s2*s3*……*sn，k为最后一层特征图的大小；2）kernelsize1=[inputsize-(outputsize-1)* stride]+2*padsize，padsize为补零数目；/n其它卷积层参数的确定：预设其它卷积层卷积核为kernelsize，其它卷积层卷积步长为1，padsize = (kernelsize-1)/2；/n降采样层参数的确定：后续降采样大小采用均值降采样或最大值降采样；/n超参数为卷积核大小和步长。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉理工大学，未经武汉理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710157511.8/，转载请声明来源钻瓜专利网。
