[发明专利]一种基于孪生网络的联合损失遥感图像分类方法

权利要求书

1.一种基于孪生网络的联合损失遥感图像分类方法，其特征在于：对于输入的遥感图像对s_i和s_j，使用两个权值共享的微调卷积神经网络分别提取遥感图像对s_i和s_j的特征向量f_i和f_j，然后将提取得到的特征向量连接到一个全新的全连接层，利用分类损失对特征向量f_i和f_j进行类别预测，即实现对遥感图像对s_i和s_j的分类；同时利用度量学习损失计算特征向量f_i和f_j在特征空间上的欧式距离，即计算遥感图像对s_i和s_j的欧式距离，从而达到联合损失优化的目标；

在模型训练阶段，使用最小化联合损失函数L(s_i，s_j)的优化策略来得到最优参数，记I(C(s_i))是针对遥感图像s_i的分类损失函数，I(C(s_j))是针对遥感图像s_j的分类损失函数，V(C(s_i)，C(s_j))是计算遥感图像s_i和s_j欧式距离的度量学习损失函数，(1-γ)和γ分别是分类损失函数和度量学习损失函数的权重，其中f_i＝C(s_i)以及f_j＝C(s_j)；目标函数为：L(s_i，s_j)＝(1-γ)(I(C(s_i))+I(C(s_j)))+γV(C(s_i)，C(s_j))。

2.根据权利要求1所述的基于孪生网络的联合损失遥感图像分类方法，其特征在于：该算法的分类准确度使用联合损失优化后的最终分类准确度进行表示。

3.根据权利要求1所述的基于孪生网络的联合损失遥感图像分类方法，其特征在于：首先利用迁移学习的方法引入在ImageNet上预训练好的GoogLeNet卷积神经网络，然后删除最后的分类部分，即可获得经过微调的卷积神经网络特征提取器。

4.根据权利要求1所述的基于孪生网络的联合损失遥感图像分类方法，其特征在于：针对遥感图像s_i和s_j的分类损失函数I(C(s_i))及I(C(s_j))通过下式计算：

z_i＝W_i^Tf+b_i

I(f)＝-logP_c

其中：W是softmax权值矩阵，b是偏差矩阵，c是目标类别，P_c是预测概率，f是提取的遥感图像特征向量。

5.根据权利要求1所述的基于孪生网络的联合损失遥感图像分类方法，其特征在于：计算遥感图像s_i和s_j欧式距离的度量学习损失函数V(f_i，f_j)可通过下式计算：

其中：||f_i-f_j||²₂表示遥感图像特征向量间的欧式距离，i＝j表示相同类别的遥感图像，i≠j表示不同类别的遥感图像；m表示不同类别遥感图像特征距离阈值。