[发明专利]基于卷积神经网络的遥感的海冰图像分类方法

权利要求书

1.一种基于卷积神经网络的遥感的海冰图像分类方法，其特征是，包括以下步骤：

步骤一、通过原始遥感图像获得原始数据；将原始数据进行预处理，预处理过程具体包括有：将选择的样本库数据根据网络输入要求处理为K×K×B的数据块，其中K为像素块的空间维大小且取3到19中的任意奇数，B为遥感图像的波段数；

步骤二、原始数据通过人工标记选择一部分样本作为样本库；

步骤三、将输入数据根据设定策略在样本库中随机选择训练样本，并将其余数据作为测试样本；

步骤四、通过训练样本对预建的三维卷积神经网络3D-CNN模型进行训练和特征提取，然后通过插入三维卷积神经网络3D-CNN的挤压激励模块SE-Block对提取的特征进行权重调整，并通过测试样本对训练完成后的挤压激励-卷积神经网络SE-CNN模型进行测试；

步骤五、将样本库经过挤压激励-卷积神经网络SE-CNN保存的样本特征输入支持向量机SVM进行二次训练后分类，并对比标注好的标签样本计算得到分类精度；

步骤六、通过训练测试后的挤压激励-卷积神经网络-支持向量机SE-CNN-SVM网络模型对高光谱遥感图像进行检测分类；

所述的挤压激励-卷积神经网络SE-CNN模型为8层网络结构，分别为输入层，第一层卷积层CONV1，第一挤压激励模块SE-Block，第二层卷积层CONV2，第二挤压激励模块SE-Block，第三层卷积层CONV3，全连接层(FC)和输出层；

所述步骤四的具体操作包括：

步骤(1)每次从训练样本中随机输入设定数量的训练样本到预先建立好的CNN网络的第一卷积层中进行训练；

步骤(2)第一挤压激励模块将第一层卷积层训练得到的特征进行全局平均池化，即挤压Squeeze操作；然后将挤压Squeeze后的特征通过输入第一挤压激励模块内的第一全连阶层进行降维，然后经过ReLU激活函数，再经过第一挤压激励模块内的第二全连阶层进行升维，然后再通过Sigmoid进行权重激活，即激励Excitation操作；将激励Excitation的输出的权重看作是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；

步骤(3)将经过第一挤压激励模块SE-Block调整权重后的特征输入第二层卷积层中进行训练；

步骤(4)第二挤压激励模块将第二层卷积层训练得到的特征进行全局平均池化，即挤压Squeeze操作；然后将挤压Squeeze后的特征通过输入第二挤压激励模块内的第一全连阶层进行降维，然后经过ReLU激活函数，再经过第二挤压激励模块内的第二全连阶层进行升维，然后再通过Sigmoid进行权重激活，即激励Excitation操作；将激励Excitation的输出的权重看作是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；

步骤(5)将步骤(4)中经过第二挤压激励模块SE-Block调整权重后的特征输入第三层卷积层，将该特征经训练拉伸为一维向量；

步骤(6)将转换后的一维向量输入到全连接层，将卷积过程中提取的局部特征映射融合，经Softmax交叉熵函数计算损失率后，通过反向传播计算每个参数的梯度，利用Adam算法动态地更新网络参数；

步骤(7)将测试样本输入训练好的网络中，得到预测标签；

步骤(8)依次针对各批次样本进行训练，重复步骤(1)-(6)，直到网络收敛，完成网络训练过程；并保存训练样本和测试样本经过网络训练得到的特征。

2.根据权利要求1所述的基于卷积神经网络的遥感的海冰图像分类方法，其特征是，

所述步骤(2)中将第一层卷积层得到的特征进行全局平均池化，即挤压Squeeze操作；其公式为所述步骤(4)中将第二层卷积层得到的特征进行全局平均池化，即挤压Squeeze操作；其公式为