[发明专利]一种基于深度孪生胶囊网络的光学遥感场景分类方法

说明书

本发明公开了一种基于深度孪生胶囊网络的光学遥感图像场景分类方法，包括如下设计：1、删除深度残差网络深层的平均池化层及其之后的层；2、将微调后的深度残差网络作为特征提取器；3、分别对输入图像提取特征，将获取到的特征转化为胶囊特征；4、引入孪生网络的思想，将单支的深度胶囊网络复制成双支的深度胶囊网络，构成为特征提取器参数共享的两个完全相同的网络；5、计算出两个特征的距离来表示图像对的相似程度；6、利用动态路由算法进行胶囊的传播完成图像分类。本发明利用胶囊存储特征空间信息，结合孪生网络结构，使特征在遥感数据集上更具识别性。此外，还增加一个正则化项来增强模型的鲁棒性。

技术领域

本发明涉及一种基于深度孪生胶囊网络的光学遥感图像场景分类方法，是一种遥感图像处理技术。

背景技术

随着卫星雷达和无人机航空摄影技术的飞速发展，遥感图像采集变得更加方便和廉价，使我们有了更多的多元化的手段去观察我们的世界。遥感图像的研究在遥感领域具有重要的意义。遥感图像不仅可以反映当前状态，还可以根据不同时期的图像获取动态信息。如城市的变化、道路的扩张和自然的破坏等。此外，充分、准确地利用遥感图像，可以在发生自然灾害的情况下准确地识别目标，在军事行动中能快速地提供目标环境的情况。遥感图像的分类方法主要有两大类：第一大类采用的是非深度学习的分类方法，另一大类就是与深度学习结合的分类方法。

遥感图像通常内容丰富，因此准确、合理地提取遥感图像中的有效特征信息是非常重要的一步。在过去人们往往使用传统非深度学习的方法，这类方法一般需要手动提取图像特征比如常见的：LBP、GLCM、SIFT、Haar等。而这些方法的成本是非常高的而且提取出来的特征过于简单局限，导致泛化能力差。而现在有了卷积神经网络，层次化的提取特征，能够学到强大的特征表达。因此现在主流的遥感图像分类方法都是基于卷积神经网络的，比如VGGNet、AlexNet和GoogLeNet。

卷积神经网络提取的特征在一定程度上是有效的，但在遥感研究领域仍然存在一定的局限性，这主要是遥感数据集自身的特殊性：

(1)遥感数据集具有很少的样本，因此我们无法充分利用深学习方法对遥感图像进行深度数据挖掘；

(2)遥感图像对一个场景存在多角度、多方向的问题，每一类中从角度，位置上都有非常大的差异；

(3)对于卷积神经网络应用图像分类而言，在训练集和测试集彼此接近时，分类效果很好。如果测试集中图像被翻转、倾斜或有任何其它方向、角度问题时，卷积神经网络的性能就不理想了；

(4)卷积神经网络分类模型中，引入池层通常会丢失空间信息，只能学习特征不变性，不具备学习特征的同变能力。在遥感数据集这种方向、位置特征较为丰富且图像数目较少的情况下，导致网络学习的特征表征能力鲁棒性较差，很容易就出现过拟合现象。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于深度孪生胶囊网络的光学遥感图像场景分类方法，与现有的深度神经网络分类方法相比，本发明引入了胶囊来提取特征的空间信息，提高了模型在小数据集上的学习能力，同时融合孪生网络的结构作为嵌入式验证，可以学习到一个相似函数来区分一对遥感图像，从而使特征更具判断力，并且采用度量学习项对孪生胶囊网络进行正则化，使得深度孪生胶囊网络更具有鲁棒性。

技术方案：为实现上述目的，本发明采用的技术方案为：