[发明专利]一种用于城市遥感场景识别的LW-CNN方法和系统

权利要求书

1.一种用于城市遥感场景识别的LW-CNN方法，其特征在于，所述方法包括以下步骤：

S1，构建LW-CNN场景识别网络，所述LW-CNN场景识别网络包括多通道模块、自适应池化层、深层特征提取模块、深层特征和浅层特征融合模块、全局平均池化层和softmax层；

S2，输入原始城市遥感图像至LW-CNN场景识别网络，采用多通道模块对城市遥感图像进行多视野特征提取；

S2，采用自适应池化层，根据提取得到的多视野特征图尺寸，自动调整其中部分通道的卷积核和卷积步长，以统一输出固定尺寸的特征图；

S3，基于深层特征提取模块，采用深度可分离卷积方式，对步骤S2中调整尺寸后的多视野特征图进行深层特征提取；

S4，构建深层特征和浅层特征融合模块，采用跳跃连接方式对深层特征提取块输出的多层特征进行融合；

S5，对步骤S4中融合得到的特征进行全局平均池化处理，以提取遥感图像全局特征；

S6，根据损失函数对LW-CNN场景识别网络进行优化；

步骤S5中，所述构建深层特征和浅层特征融合模块，采用跳跃连接方式对深层特征提取块输出的多层特征进行融合的过程包括以下步骤：

S51，在深层特征提取模块中，当输出特征图大小分别为56和28两层时，分别将特征图提取出来并加入自适应池化层，以强化最终提取的特征图的边缘信息及显著特征；其中，输出特征图大小分别为56和28两层时提取的特征特性对比如下：当输出特征图为56时，城市遥感场景的浅层特征分辨率高且包含较多城市建筑的浅层边缘特征；当特征图大小为28时，城市遥感场景的浅层特征分辨率低且具有更强的语义信息；

S52，通过自适应池化层自动调整前述两个输出特征图尺寸与最后一个特征提取卷积层输出的特征图尺寸一致；

S53，将前两个调整尺寸后的输出特征图与最后一个特征提取卷积层输出的特征图通过concatenate融合。

2.根据权利要求1所述的用于城市遥感场景识别的LW-CNN方法，其特征在于，步骤S2中，所述输入原始城市遥感图像，采用多通道模块对城市遥感图像进行多视野特征提取的过程包括以下步骤：

S21，将原始城市遥感图像输入LW-CNN场景识别网络的多通道模块，经过三个分支对原始城市遥感图像进行多视野特征提取；

S22，采用自适应池化层，根据提取得到的多视野特征图尺寸，自动调整第二通道和第三通道的卷积核和步长，使第二通道和第三通道输出的特征图调整至与第一通道输出的特征图尺寸一致；

S23，将三个分支所提取的特征进行堆叠，加入BN层。

3.根据权利要求1所述的用于城市遥感场景识别的LW-CNN方法，其特征在于，步骤S22中，设第一通道卷积核为3×3，第二通道卷积核为5×5，第三通道卷积核为7×7；通过1×1卷积核和步长来调整第二通道和第三通道输出的特征尺寸，使第二通道和第三通道输出的特征图调整至与第一通道输出的特征图尺寸相同。

4.根据权利要求1所述的用于城市遥感场景识别的LW-CNN方法，其特征在于，步骤S3中，所述采用自适应池化层，根据提取得到的多视野特征图尺寸，自动调整其中部分通道的卷积核和卷积步长，以统一输出固定尺寸的特征图的过程包括以下步骤：

S31，将多通道提取特征输入自适应池化层，设定固定输出特征图尺寸；

S32，根据固定的特征图尺寸，自适应池化层自动调整卷积核以及卷积步长，输出固定尺寸的特征图。

5.根据权利要求1所述的用于城市遥感场景识别的LW-CNN方法，其特征在于，步骤S4中，所述深层特征提取模块采用交替连接的DW卷积层和PW卷积层，共计包括24层特征提取卷积层，每个特征提取卷积层的卷积核个数随着网络层数的加深增多；其中，每个特征提取卷积层后加入BN层，使用卷积步长以缩小特征图。

6.根据权利要求1所述的用于城市遥感场景识别的LW-CNN方法，其特征在于，步骤S7中，所述损失函数LOSS为：

式中，i表示样本序号，n表示样本数量，m表示分类数，表示预测值，y_im表示真实值，LOSS表示真实值与预测值之间的差异，值越小表示预测结果越好。