[发明专利]基于深度特征稀疏化算法的遥感图像场景分类方法

摘要

本发明公开了一种基于深度特征稀疏化算法的遥感图像场景分类方法，用于解决现有遥感图像场景分类方法分类准确率低的技术问题。技术方案是首先对输入的遥感场景图片进行数据增广，使用卷积网络架构CNN从图片中提取深度特征，记为多层特征图F，使用通道加权方法对该特征图F进行通道稀疏操作，得到F'，使用侧抑制方法继续对该特征图F'进行元素稀疏操作，得到F"，对经过通道、元素稀疏化操作后的特征图F"进行全局池化操作，生成特征向量I，用全连接层对该特征向量I进行分类，得出分类结果。由于采用了深度特征稀疏化算法，相似的混淆特征得到抑制，相异的有效特征得到突出，提高了遥感图像场景分类的准确率。

主权项

1.一种基于深度特征稀疏化算法的遥感图像场景分类方法，其特征在于包括以下步骤：步骤一、输入图片，调成图片尺寸为256×256，使用TenCrop数据增广方法从原图片中裁取出224×224的图片区域作为训练图片；步骤二、去除经典的CNN架构的最后两层网络即全局池化层和全连接层，将其作为CNN特征提取器，从图片中提取出多层特征图F，其尺寸为H×W×C；步骤三、生成通道加权向量w'；c表示第c个通道，Fc(i,j)表示特征图中第c个通道上第(i,j)的特征值，w(c)表示第c个通道的权值；为了解决不同通道之间的依赖问题，使用两层全连接层对w进行操作得到更精准权值向量的w'，即w'＝σ(f₂(σ(f₁(w)))；步骤四、使用通道加权向量w'对特征图F进行加权操作得到通道加权后的特征图F'，即F'c(i,j)＝w(c)*Fc(i,j)；步骤五、使用Local Response Normalization算法对加权后的特征图F'进行逐元素稀疏化，得到通道、元素均稀疏化的特征图F"，k、α、β和n均是超参数，分别设置为0.0001、0.75、1和2；步骤六、使用Global Average Pooling层对特征图F"进行池化操作，使得特征图F"变成全局特征向量I；步骤七、用全连接层对特征向量I进行分类，得到最终分类结果。