[发明专利]一种基于深度孪生胶囊网络的光学遥感场景分类方法

摘要

本发明公开了一种基于深度孪生胶囊网络的光学遥感图像场景分类方法，包括如下设计：1、删除深度残差网络深层的平均池化层及其之后的层；2、将微调后的深度残差网络作为特征提取器；3、分别对输入图像提取特征，将获取到的特征转化为胶囊特征；4、引入孪生网络的思想，将单支的深度胶囊网络复制成双支的深度胶囊网络，构成为特征提取器参数共享的两个完全相同的网络；5、计算出两个特征的距离来表示图像对的相似程度；6、利用动态路由算法进行胶囊的传播完成图像分类。本发明利用胶囊存储特征空间信息，结合孪生网络结构，使特征在遥感数据集上更具识别性。此外，还增加一个正则化项来增强模型的鲁棒性。

主权项

1.一种基于深度孪生胶囊网络的光学遥感图像场景分类方法，其特征在于：对于成对输入的一组遥感图像x₁和x₂，使用一个经过微调的深度残差网络特征提取器分别提取x₁和x₂的特征张量f₁和f₂，将f₁和f₂转换两个胶囊特征u₁和u₂，然后使用两个结构和初始参数相同的胶囊网络分别对u₁和u₂进行胶囊预测，即实现对x₁和x₂的分类，所述胶囊网络使用动态路由算法对胶囊特征进行胶囊传递；同时，使用两个卷积层分别对f₁和f₂进行降维得到f₁'和f₂'，然后将f₁'和f₂'转换成二维的特征向量f₁”和f₂”，计算f₁”和f₂”差的绝对值f_x，将f_x连接到一个全连接层上，通过sigmoid函数判断f₁”和f₂”的相似程度，即判断x₁和x₂的相似程度；同时，计算f₁”和f₂”在特征空间的欧式距离d，即计算x₁和x₂的欧氏距离；在训练阶段，使用最小化损失函数L的策略来训练最优参数，记L_k1为对x₁进行分类的损失函数，L_k2为对x₂进行分类的损失函数，L_v为判断x₁和x₂相似程度的损失函数，L_r为计算x₁和x₂欧氏距离的损失函数，λ₁、λ₂、λ₃和λ₄为L_k1、L_k2、L_v和L_r的权重；目标函数为：min L＝λ₁L_k1+λ₂L_k2+λ₃L_v+λ₄L_r。