[发明专利]一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法

权利要求书

1.一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法，其特征在于：该方法包括以下步骤：

(1)构建遥感场景图像样本数据集，并制作相应的样本类别标签集合，将遥感场景图像样本数据集分为训练集Train和测试集Test；

(2)构建带注意力机制的迭代聚合网络，将遥感图像作为网络的输入，得到图像的特征图以及特征向量，通过平均池化得到降维后的特征图，使用基于softmax激活函数的全连接层作为分类器，输出分类结果；其中，带注意力机制的迭代聚合网络结构如下：

(2.1)在输入层中，将每一个遥感场景图像归一化为256×256大小；

(2.2)第一个迭代聚合模块包括卷积1-1、卷积1-2、卷积1-3、卷积2-1、卷积2-2、卷积3-1这六个卷积层，均定义32个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；其中，各卷积层连接结构如下：

卷积1-1的输出同时送到卷积1-2和卷积2-1，送到卷积1-2的特征不经过SE模块处理，送到卷积2-1的特征要经过SE模块处理；卷积1-2的输出同时送到卷积1-3和卷积2-2，送到卷积1-3的特征不经过SE模块处理，送到卷积2-2的特征要经过SE模块处理；

卷积2-1接收来自卷积1-1通过SE模块处理后的结果和卷积1-2通过SE模块处理后的结果，并通过合并的方式将两个输入的特征映射堆叠在一起，经过SE模块处理后送到卷积3-1；卷积2-2接收来自卷积1-2通过SE模块处理后的结果和卷积1-3通过SE模块处理后的结果，并通过合并的方式将两个输入的特征映射堆叠在一起，经过SE模块处理后送到卷积3-1；

卷积3-1接收来自卷积2-1通过SE模块处理后的结果和卷积2-2通过SE模块处理后的结果，并通过合并的方式将两个输入的特征映射堆叠在一起，卷积3-1将提取的特征送给卷积4-1；

在SE模块处理中，首先对卷积得到的特征图进行Squeeze操作，得到通道级的全局特征，然后对全局特征进行Excitation操作，学习各个通道间的关系，也得到不同通道的权重，最后乘以原来的特征图得到最终特征；

(2.3)在卷积4-1层中，定义64个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；卷积4-1将提取的特征送给卷积5-1层；

(2.4)第二个迭代聚合模块包括卷积5-1、卷积5-2、卷积5-3、卷积6-1、卷积6-2、卷积7-1这六个卷积层，均定义64个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；第二个迭代聚合模块的卷积层结构与第一个迭代聚合模块的卷积层结构相同；最后卷积7-1将提取的特征送给卷积8-1；

(2.5)在卷积8-1层中，定义128个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.6)第三个迭代聚合模块包括卷积9-1、卷积9-2、卷积9-3、卷积10-1、卷积10-2、卷积11-1这六个卷积层，均定义128个尺寸为3×3的卷积核，设定步长为1，填充模式设置为SAME，激活函数设置为Relu；第三个迭代聚合模块的卷积层结构与第一个迭代聚合模块的卷积层结构相同；最后卷积11-1将提取的特征送给卷积12-1；

(2.7)在卷积12-1层中，定义256个尺寸为3×3的卷积核，设定步长为2，填充模式设置为SAME，激活函数设置为Relu；

(2.8)卷积12-1层的输出送入池化层，池化层中采用池化窗口为2×2的平均池化；

(2.9)池化层的输出送入全连接层，采用N个神经元，激活函数设置为softmax；

(3)设定训练次数，构建损失函数，使用训练集对所构建的迭代聚合网络进行训练，更新网络参数，直到参数取值收敛；收敛条件为损失函数值不再减小；

(4)将测试集输入到训练好的网络中得到测试集的分类识别结果。