[发明专利]一种快速分类的全卷积神经网络模型

说明书

本发明公开了一种快速分类的全卷积神经网络R‑MobileNetV3(large)+SegNet模型。该模型将SegNet模型的编码层VGG16网络替换为R‑MobileNetV3(large)轻量级网络，引入比率为1，2，4的混合空洞卷积扩大局部感受野，消除信息捕捉不足问题，缩减解码器的卷积层数和卷积核数量，实现参数量更小的轻量级网络，用Softmax分类器分类。本发明通过3个不同实验区域验证训练好的模型，结果表明本发明实现快速高精度的对高分辨率遥感影像的像素级分类，减少了传统深度学习模型的参数和计算量，实现了很好的分类效果。

技术领域

本发明涉及遥感图像分类技术领域，特别涉及到全卷积神经网络的高分辨率遥感影像快速分类模型。

背景技术

遥感影像分类已经发展几十年了，目前高分辨率遥感影像分类研究已成为主要研究，高分辨率遥感影像包含了丰富的地物纹理、形状、结构、邻域关系等信息。高分辨率遥感影像分类目前已经广泛应用于场景分类、建筑物提取、土地覆盖分类、农作物分类、水体提取和云检测等。

遥感图像的分类是遥感界几十年来的一个经典话题，传统的机器学习算法在对影像分类时，首先要对地物的形态、纹理、几何、光谱等特征进行提取，然后使用合适的算法完成对提取特征的处理，获得影像地物分类结果。基于深度学习的全卷积神经网络将常规卷积神经网络中的全连接层替换为卷积层，编码层进行下采样，通过卷积和池化方法进行特征提取来获取特征图，解码层进行上采样，通过反卷积和反池化方法将特征图恢复到原图大小，从而实现端到端像素级分类。

早期传统机器学习分类依赖特征表示和专家知识，泛化能力较弱，无法适用于复杂的高分辨率遥感影像大样本，学习能力弱等局限性。这种分类方法精度不高，容易出现椒盐现象，且由于影像中“同物异谱”或“异物同谱”，造成与其它类别进行混淆导致出现错分现象。而近年来深度学习在精度上取得了不错的效果，但是模型参数多、占用内存大、设备要求高、运行速度慢等缺陷。

针对上述问题，被发明公开了一种快速分类的全卷积神经网络R-MobileNetV3(large)+SegNet模型。

发明内容

本发明公开了一种快速分类的全卷积神经网络R-MobileNetV3(large)+SegNet模型，提高图像分类速度和精度，可应用于众多领域。本发明采用以下技术方案实现：

一种快速分类的全卷积神经网络R-MobileNetV3(large)+SegNet模型，包括以下步骤：

(1)构建两种类别的遥感影像样本数据集，并将样本进行数据增强，制作对应的样本标签，将数据集分为训练集和测试集，将数据集格式调整为输入模型的格式；

(2)以SegNet模型为基础进行改进，构建全卷积神经网络R-MobileNetV3(large)+SegNet模型；

(3)将步骤(1)中生成的训练集，作为步骤(2)中全卷积神经网络R-MobileNetV3(large)+SegNet模型的输入进行模型训练，得到稳定的模型参数；

(4)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。

其中，步骤(2)中构建全卷积神经网络R-MobileNetV3(large)+SegNet模型具体为：