[发明专利]一种基于卷积神经网络的遥感图像分类方法

权利要求书

1.一种卷积神经网络，其特征在于，主要包括三个模块：主干网络模块，多尺度融合模块和分类头模块，其中主干网络模块利用带有注意力机制的残差模块把输入神经网络的RGB遥感图像变为4种分辨率的特征图，其中四组分辨率的特征图尺度分别为尺度1：(N×64×56×56)，尺度2：(N×128×28×28)，尺度3：(N×256×14×14)，尺度4：(N×512×7×7)，这四组特征图将被作为输入送到多尺度融合模块中；多尺度融合模块让主干网络产生的特征图之间进行多尺度融合，高分辨率的特征图被下采样至低分辨率特征图的尺寸，例如尺度1中56×56的特征图将被分别下采样至28×28,14×14,7×7的分辨率，并和相应分辨率的输入特征图相加，低分辨率的特征图将被上采样至高分辨特征图的分辨率并和相应的输入特征图相加，这样可以进一步提取、综合不同分辨率特征图中的语义信息，有助于网络进行分类任务，多尺度融合模块的输出仍是四组不同分辨率的特征图，这些特征图将被作为输入送进分类头模块当中；在分类头模块中，高分辨率的特征图被下采样至最低分辨率的特征图，同时进一步对特征图里的语义信息进行提取，然后将最低分辨率的特征图送入池化层与分类器中，对图像进行分类，得到分类结果。

2.一种基于卷积神经网络的遥感图像分类方法，其特征在于，该方法包括以下步骤：

步骤1：将遥感数据集按一定比例划分为训练集，验证集和测试集；

步骤2：建立卷积神经网络的主干网络；

步骤3：建立卷积神经网络的多尺度融合模块，并在此模块中引入注意力机制；

步骤4：建立卷积神经网络的分类头模块；

步骤5：加载训练集，对卷积神经网络进行训练；

步骤6：通过步骤5训练的网络，对遥感数据集进行分类。

3.根据权利要求2所述的基于卷积神经网络的遥感图像分类方法，其特征在于，所述步骤1的遥感数据集是一个名叫USTC_SmokeRS的公开数据集，此数据集共包含有6类场景共计6225张RGB图片，这6类场景分别是：烟，灰尘，雾霾，云，陆地和海岸。

4.根据权利要求2所述的基于卷积神经网络的遥感图像分类方法，其特征在于，所述步骤2的主干网络由四堆嵌入了CBAM的残差网络基本块构成，这四堆分别包含5，6，9和5个嵌入CBAM的残差网络基本块，CBAM中包含空间和通道维度的注意力，这些堆叠的基本块是用来产生四种不同分辨率的特征图，这四种分辨率为：56×56,28×28,14×14和7×7。

5.根据权利要求2所述的基于卷积神经网络的遥感图像分类方法，其特征在于：所述步骤3中的多尺度融合模块，其输入是由主干网络产生的分辨率为56×56,28×28,14×14和7×7的四组特征图，在多尺度融合模块中，四组输入的特征图被融合起来产生四组新的特征图，新的四组特征图的分辨率与输入一致，分别是56×56,28×28,14×14和7×7，多尺度融合模块的输出可被表示为：

其中，w是注意力权重；In(k)是输入的第k组特征图；w_jk的尺寸是N×2(j+5)×1×1；当k大于j时，函数f(·)代表上采样；当k小于j时，f(·)代表下采样；当k等于j时，f(·)是代表恒等映射。

6.根据权利要求2所述的基于卷积神经网络的遥感图像分类方法，其特征在于，所述步骤4中分类头模块，此模块的输入是由多尺度融合模块得到的四组不同分辨率的特征图；在分类头模块中，使用尺寸为3×3，步长为2的卷积核将最高分辨率(56×56)的特征图下采样至第二高分辨率(28×28)的尺寸，并将其与第二高分辨率的特征图相加，重复此操作三次得到分辨率是7×7的特征图，并将其送进池化层和分类器中，得到最后的分类结果。