[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

说明书

本申请涉及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。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。本申请实施例提高了网络模型的特征提取能力，解决了由于遥感图像数据集中标签存在噪声导致的神经网络分类精度下降的问题。

技术领域

本申请属于遥感图像处理技术领域，特别涉及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。

背景技术

遥感图像的分类问题对应于计算机视觉中的语义分割问题，是将图像中的每一个像素点赋予一个分类类别。目前在遥感图像分类过程中数据集标签存在噪声问题，主要包括类别像素点多标注或者少标注两类，类似于图像被膨胀或者腐蚀，使用含有噪声的数据集去训练神经网络，会导致神经网络的分类性能降低且得到的结果不准确。

现有处理标签噪声问题的卷积神经网络算法包括两种，一种为对噪声进行建模，构建一个噪声处理模型，利用网络输出结果更新标签，纠正训练过程中的噪声标签。另一中方法是使用对噪声鲁棒性的损失函数，提高神经网络算法的鲁棒性。上述算法在处理自然图像分类中的噪声标签问题都可以取得不错的效果，但是无法应用到训练标签存在噪声的情况。

随着深度学习在自然图像处理领域取得巨大的成功，许多研究人员将深度学习中的语义分割方法应用到遥感图像分类中取得了很好的效果。深度学习能取得优越效果的至关重要的一个因素在于有一个标注准确的数据集作为训练学习。而在遥感图像中手工制作一个标注准确且不含噪声的数据集耗时且难度大。

发明内容

本申请提供了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，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种用于遥感图像分类的神经网络优化方法，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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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：