[发明专利]一种用于遥感图像分类的神经网络优化方法、终端以及存储介质在审

专利信息
申请号: 202010944670.4 申请日: 2020-09-10
公开(公告)号: CN112132193A 公开(公告)日: 2020-12-25
发明(设计)人: 林创;陈劲松;李洪忠 申请(专利权)人: 中国科学院深圳先进技术研究院
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08
代理公司: 深圳市科进知识产权代理事务所(普通合伙) 44316 代理人: 魏毅宏
地址: 518055 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 用于 遥感 图像 分类 神经网络 优化 方法 终端 以及 存储 介质
【权利要求书】:

1.一种用于遥感图像分类的神经网络优化方法,其特征在于,包括:

获取遥感图像数据集;

构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;

将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。

2.根据权利要求1所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述获取遥感图像数据集包括:

按照设定比例将所述遥感图像数据集分为训练集、验证集和测试集,并将所述训练集、验证集和测试集图像裁剪为设定大小的图像,并对所述训练集图像进行数据清洗及数据增强处理。

3.根据权利要求1所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述通过所述基于SE模块的U-Net网络进行图像分割包括:

输入特征图经过一个标准卷积层后,产生两条分支,第一分支通过两层标准卷积层,得到第一特征图;第二分支为SE模块,所述SE模块包括Globalpooling层、两层FullyConnected层和sigmoid函数层,首先通过Globalpooling层对所述输入特征图进行全局平均池化,得到第二特征图;然后经过两层Fully Connected层后由sigmoid函数层激活,得到与所述第二特征图大小相对应的权重,并将所述权重与第一分支产生的第一特征图相乘,得到图像分类输出结果。

4.根据权利要求3所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述通过所述损失选择模型采用ksigma准则进行损失选择包括:

如果一组检测数据大致服从正态分布且只包含随机误差,对所述随机误差进行处理得到标准偏差,并按设定概率确定偏差区间,将超过所述偏差区间的误差判定为粗大误差并剔除。

5.根据权利要求2所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练包括:

将所述训练集输入抗噪网络模型,设定学习率、迭代次数、损失选择模型的K值,并设置用于优化网络参数的损失函数,根据损失曲线调整模型训练过程。

6.根据权利要求5所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练还包括:

从所述训练集中随机选取0%、25%和50%的样本图像,并分别使用5*5、7*7和9*9的卷积核对选取的样本图像进行膨胀及腐蚀,生成不同类型和水平的噪声标记图像,根据不同类型和水平的噪声标记图像分别所述对抗噪网络模型进行训练。

7.根据权利要求2所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述得到最优的网络模型参数后还包括:

将所述测试集图像输入抗噪网络模型,得到所述测试集图像的分类结果,并根据所述分类结果对所述抗噪网络模型性能进行评价。

8.一种神经网络优化系统,其特征在于,包括:

数据获取模块:用于获取遥感图像数据集;

抗噪网络构建模块:用于构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;

模型训练模块:用于将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。

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中国科学院深圳先进技术研究院,未经中国科学院深圳先进技术研究院许可,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/pat/books/202010944670.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top