[发明专利]一种快速分类的全卷积神经网络模型

权利要求书

1.一种快速分类的全卷积神经网络模型，是一种用于快速提取目标的方法，包括制作两类遥感图像样本数据集、构建R-MobileNetV3(large)+SegNet模型、模型参数调优、测试集分类，其特征在于包括以下步骤：

(1) 制作两类遥感图像样本数据集中，对每一张遥感图像进行逐像素标注样本标签，将标签和原始遥感图像进行添加高斯噪声，随机改变亮度，随机改变像素值，随机水平、垂直和对角翻转的数据增强方式后，划分为训练集和测试集；

(2) 构建R-MobileNetV3(large)+SegNet模型中，对SegNet模型进行改进，构建全卷积神经网络R-MobileNetV3(large)+SegNet模型，该模型的特征分为下采样特征提取和上采样映射两部分；将轻量级模型MobileNetV3(large)模型作为SegNet模型的编码器，并将MobileNetV3(large)模型原有的17层卷积层缩减为11层，同时在深度可分离卷积中引入扩展比率为1，2，4的混合空洞卷积，以扩大局部感受野，增强上下文信息的连接；上采样映射部分是将SegNet模型的解码器18层卷积层缩减为9层,并命名为R-MobileNetV3(large)+SegNet模型；输入图像经过11层下采样特征提取得到80个16×16大小的特征图；随后将第11层卷积得到的80个16×16大小的特征图输出到上采样映射部分；经过9层上采样映射得到32个256×256大小的特征图；上采样映射部分通过上采样和卷积恢复至与输入时的遥感图像尺寸大小；最后用Softmax分类器将解码器输出的特征图进行分类，得到分类结果；

(3) 模型参数调优中，将步骤(1)中的训练集输入步骤(2)中的全卷积神经网络R-MobileNetV3(large)+SegNet模型进行模型训练，通过参数调优，选择稳定的模型参数；

(4) 测试集分类中，首先将步骤(3)训练好的模型参数应用在测试集上进行特征提取，最后通过Softmax分类器进行分类，得到分类结果。