[发明专利]基于改进残差网络的遥感图像场景分类方法

权利要求书

1.一种基于改进残差网络的遥感图像场景分类方法，其特征在于，包括以下步骤：

(a)收集和/或下载场景图像，得到遥感场景分类数据集；

(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；

(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；

(d)用训练后的残差网络结构对遥感图像进行场景分类。

2.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(b)中，对图像的增强处理包括对图像进行旋转、剪切、翻转、亮度调节的方式来扩充图像的数量，增强后的数据量是原数据集的4-5倍。

3.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(b)中，训练集和测试集中图像数量的比例为7:3-8:2。

4.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)中，改进后残差网络结构具体为：先通过一个conv1卷积层，然后接一个pool1最大池化层，接着是四组bottleneck结构，即conv2_x卷积层、conv3_x卷积层、conv4_x卷积层、conv5_x卷积层，每组都由3个bottleneck结构构成，最后增加一个conv6卷积层。

5.根据权利要求4所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，bottleneck结构包括两个分支，其中一个分支依次为1×1的卷积层并用批量归一化算法和Relu激活函数进行处理、3×3的卷积层并用批量归一化算法和Relu激活函数进行处理、1×1的卷积层并用批量归一化算法进行处理，另一个分支为一个1×1的卷积层并用批量归一化算法进行处理，每个卷积层都采用批量归一化算法进行处理，最后对两个分支进行求和，并用Relu激活函数进行处理。

6.根据权利要求5所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)中，conv1卷积层为尺寸为7×7、通道数为64的卷积层，步长为2，pool1最大池化层的尺寸为3×3，步长为2，conv6卷积层为尺寸为1×1、通道数为1024的卷积层，步长为1。

7.根据权利要求6所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)的具体流程为，改进残差网络结构，利用改进的残差网络结构对遥感场景分类数据集进行训练及提取特征，在分类之前进行特征的整合，即使用conv6卷积层对遥感图像在不同通道的特征信息进行整合，最后，对实验的结果进行分类。

8.根据权利要求4所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)中在训练中采用深度残差学习方法不断优化残差网络结构，深度残差学习方法具体为：对于输入网络的x，假设H(x)是最优解映射，构建F(x)＝H(x)-x，使得H(x)表示为F(x)+x，具体表达式为F＝W₂δ(W₁x)，最后输出为H(x)＝W₂δ(W₁x)+x，其中，F表示残差块在第二层激活函数之前的输出，W₁和W₂表示第一层和第二层的权重，δ代表线性函数Relu。

9.根据权利要求5所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，bottleneck结构中各个卷积层的步长均为2。

10.根据权利要求7所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)中，在最后对实验的结果进行分类时采用Softmax分类器。