[发明专利]一种面向小数据集的高分辨率遥感影像场景分类的方法

权利要求书

1.一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：

包括以下三个步骤：

(1)数据预处理，对一张尺寸大小为N×N的待分类的高分辨率遥感影像随机提取0.875N×0.875N大小的图像区域，并对其进行对比度和亮度的调节；然后在所提取的图像区域再随机提取三个不同尺度不同位置的子区域块，尺寸大小分别为N/2×N/2、N/4×N/4、N/8×N/8；

(2)构建多尺度卷积联合神经网络(JMCNN)模型，所述多尺度卷积联合神经网络模型包括多通道的特征提取器、三个尺度的特征融合器和联合损失函数(Jointly softmax)三部分；

(3)基于所述多尺度卷积联合神经网络(JMCNN)模型的高分遥感场景识别，对上述特征提取器、特征融合器分别进行参数设置；并将步骤(1)中提取的待识别的遥感影像输入所述特征提取器中进行卷积特征提取，提取的特征输入特征融合器得到融合增强特征，利用上述联合损失函数对所述融合增强特征进行分类，即得到遥感影像的分类结果；

所述多尺度的特征融合器包含两个特征融合器进行特征联合，将上述N/2×N/2和N/4×N/4的图像尺寸输入上述多通道特征提取器中得到对应的两个特征为Ft1、Ft2，将这两个特征利用一特征融合器进行联合，得到一个新的联合特征TEM；将上述N/8×N/8的图像尺寸输入上述多通道特征提取器中得到对应的特征Ft3，将所述特征Ft3与上述新的联合特征TEM利用另一特征融合器再进行联合，得到最终的高层融合增强特征表达FIN；

所述每个特征融合器后面加入一个dropout层，该层会使得全连接层中的每个神经元以一定的概率“失活”，即每次只随机保留一部分神经元参与训练。

2.根据权利要求1所述的一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：

所述特征提取器由3个特征通道构成，每个所述特征通道为一个单独的特征提取器；单独的所述特征提取器包含3个中间层，每个所述中间层分别由1个卷积层、1个线性修正单元(ReLu)激活函数和1个极大池化层构成。

3.根据权利要求2所述的一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：

所述卷积层输入为1个图像尺寸的图像数据，输出为64×所述图像尺寸，所述ReLu激活函数输入为所述64×所述图像尺寸，输出为所述64×所述图像尺寸；所述卷积层的卷积核的大小均为5×5，步长为1，权重衰弱系数为0。

4.根据权利要求2所述的一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：

所述极大池化层的卷积核的大小均为3×3，步长为2。

5.根据权利要求1所述的一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：

所述联合损失函数为交叉熵损失与正则化项之和，对遥感影像的高层融合增强特征进行分类，得到遥感影像的分类结果。

6.根据权利要求1所述的一种面向小数据集的高分辨率遥感影像场景分类的方法，其特征是：所述特征融合器中的全连接层的权值衰减系数均设置为0.004，即全连接层的权值的L2范数均加入正则项；第一个特征融合器用于融合的全连接层的输出维度设置为1024；第二个特征融合器中用作将特征矩阵转换为特征向量的全连接层的输出维度设置为1024，另一个全连接层的输出维度则设置为512。