[发明专利]一种基于度量学习的多模型分组融合的遥感图像分类方法

权利要求书

1.一种基于度量学习的多模型分组融合的遥感图像分类方法，其特征在于包括下述步骤：

步骤1：构建深层遥感图像特征提取器；

结合双CNN模型的网络结构进行遥感场景图像分类；

步骤2：基于注意力机制进行分组融合；

将基于CNN网络的低、中、高三种深度的特征进行通道分组，通过注意力网络结构对每组的特征图进行进一步提取有效信息，根据三个层次对应的子组相加的规则在组内进行融合，得到更深层次的双模型融合特征信息；

步骤3：构建度量损失函数

提出了基于度量学习的损失函数，即CF-loss，表示为：

L_CF＝(1-λ)L_intra+λL_inter

其中，L_CF为所提的基于度量学习的损失函数，L_intra表示类内差异损失函数，L_inter表示类间相似损失函数，λ表示0到1的常数；

步骤4：训练网络参数；

通过调节深度卷积神经网络的超参数，得到优化好的神经网络；

步骤5：实现遥感图像分类；

将待分类的遥感图像数据经过步骤1至步骤3之后，并通过步骤4得到优化好的神经网络，给出遥感图像的更准确地分类，实现对遥感图像的分类。

2.根据权利要求1所述的基于度量学习的多模型分组融合的遥感图像分类方法，其特征在于：

所述步骤1中，选择两个具有代表性的CNN模型作为特征提取器，分别使用ResNet网络和DenseNet网络作为两支网络进行特征提取。

3.根据权利要求1所述的基于度量学习的多模型分组融合的遥感图像分类方法，其特征在于：

所述步骤2采用可解释的注意力网络结构，注意力网络结构从提取的分组特征子图生成注意力子图，对每一组分组特征子图进行卷积，聚合成多个特征图，再经过1*1卷积层，最终生成特征映射，使用由sigmoid函数归一化的特征映射作为注意机制的注意力图；将注意力图应用于特征图，公式表示为：

A′(x_i)＝(1+A(x_i))·M(x_i)

其中A′(x_i)是注意力机制的输出，A(x_i)是注意力图，M(x_i)是提取的特征图。

4.根据权利要求1所述的基于度量学习的多模型分组融合的遥感图像分类方法，其特征在于：

所述步骤3中，类间损失损失函数为：

其中，x_i∈R^d表示第i个深度特征，属于第y_i类。d是特征尺寸。W_j∈Rⁿ表示最后一个全连接层中权重W∈R^d×n的第j列，b∈Rⁿ是偏置项。批次样本数和类数分别为m和n；

最终构成的损失函数如下所示：

采用随机梯度下降方法进行求解，根据SGD求解原理，L_inter项的xi偏导数及均值聚类中心的更新梯度如下式所示：

式中，δ函数在条件满足时返回1，否则返回0；n为类型序号，c_n值的更新方法如下式所示：

式中，t为迭代次序。

5.根据权利要求1所述的基于度量学习的多模型分组融合的遥感图像分类方法，其特征在于：

所述步骤4的超参数包括学习率、批次大小、卷积核尺寸和激活函数。