[发明专利]高分辨率遥感图像的场景识别系统及模型生成方法

说明书

本发明实施例公开了一种高分辨率遥感图像的场景识别系统及用于识别高分辨率遥感图像场景的模型生成方法。其中，系统包括用于对遥感图像场景识别的RFPNet网络模型，该模型包括卷积层组件、池化层组件及全连接层组件；每个池化层与全连接层相连，以将各池化层的特征向量维度降为一维；卷积层组件中包含多个卷积层和多个残差模块，各残差模块均包括多个卷积层；全连接层组件中与各池化层相连的全连接层通过级联方式将池化层组件的特征向量输入至不与池化层相连的全连接层中。本申请采用残差块使得当网络层数增加时，准确率不会下降；基于池化特征融合解决了池化过程中信息丢失的问题，保证了信息的完整性，有效提高了高分辨遥感图像场景识别的准确率。

技术领域

本发明实施例涉及遥感图像分类技术领域，特别是涉及一种高分辨率遥感图像的场景识别系统及用于识别高分辨率遥感图像场景的模型生成方法。

背景技术

随着获取遥感图像数据能力的不断提高以及遥感数据成像方式的多样化发展，遥感图像数据呈现海量化和多元化的发展趋势，对遥感图像数据进行智能化、自动化的分析是大数据时代发展下的要求，在遥感图像数据分析过程中对遥感图像数据的分类是一个不可避免的环节。

在对遥感图像进行分类时，通常采用训练好的卷积神经网络模型进行图像分类。传统的卷积神经网络通常采用平均池化或最大池化方法对池化层进行池化处理，虽然池化过程降低了计算量，但是损失了细节信息，从而对分类的准确率有一定的影响。

针对上述问题，相关技术通过加深卷积神经网络深度来提高分类准确率。但是，随着卷积神经网络模型深度的不断加深，会出现梯度消失或者梯度爆炸的问题，致使网络无法收敛，持续加深深度甚至会出现退化的现象。

发明内容

本公开实施例提供了一种高分辨率遥感图像的场景识别系统及用于识别高分辨率遥感图像场景的模型生成方法，有效提高了高分辨遥感图像场景识别的准确率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种高分辨率遥感图像的场景识别系统，包括：

包括用于对遥感图像场景识别的RFPNet网络模型，所述RFPNet网络模型包括卷积层组件、池化层组件及全连接层组件；

所述池化层组件中的每个池化层与所述全连接层组件中的全连接层相连，以用于将各池化层的特征向量维度降为一维；

所述卷积层组件中包含多个卷积层和多个残差模块，各残差模块均包括多个卷积层；

所述全连接层组件中与各池化层相连的全连接层通过级联方式将所述池化层组件的特征向量输入至不与池化层相连的全连接层中。

可选的，各残差模块均由三个卷积层构成，且其中两个卷积层的卷积核尺寸为1*1。

可选的，所述RFPNet网络模型的输入层组件还包括训练样本集主动读取模块，所述训练样本集主动读取模块用于采用队列或多线程方式从训练样本集中读取样本数据。

可选的，所述RFPNet网络模型还包括数据集扩增模块，所述数据集扩增模块用于对包含多张共享的高分辨遥感图像的训练样本集进行样本图像扩增操作，所述数据集扩增模块包括：

标注框标注子模块，用于在样本图像上生成预设个数的标注框；

图像截取子模块，用于随机裁剪所述样本图像上各标注框中的图像部分，以生成多个包含图像内容不完全相同的子图像；

图像调整子模块，用于采用尺寸调整算法将各子图像的图像尺寸调整为所述RFPNet网络模型输入图像的尺寸。

可选的，所述图像调整子模块还包括翻转单元和归一化单元；

所述翻转单元用于按照预设角度对每幅子图像进行翻转。