[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

说明书

本发明公开了一种基于孪生网络的联合损失遥感图像分类方法，包括如下设计：1、删除深度卷积神经网络最后的分类部分；2、将微调后的深度卷积神经网络作为特征提取器；3、分别提取输入遥感图像对的深度特征；4、引入孪生网络的思想，构建两个权值共享的特征提取子网络；5、嵌入分类损失函数和度量学习损失函数计算特征量；6、联合优化分类损失和度量学习损失，完成遥感图像分类任务。本发明利用孪生网络结构，提取遥感图像对的特征，结合联合损失优化，增加了遥感图像特征的类内聚合性和类间分离性，不仅可以提高分类准确率，还可以增强分类模型的鲁棒性。

技术领域

本发明涉及一种基于孪生网络的联合损失遥感图像分类方法，是一种遥感图像处理技术。

背景技术

遥感图像分类是指基于不同遥感图像的分类识别任务。它被广泛应用于自然灾害预防，地表覆盖检测，城乡规划等领域。近年来，遥感图像分类技术已经在计算机视觉和遥感领域得到了广泛的研究。与一般的计算机视觉应用不同，遥感图像通常具有不同的比例，方向，光照度和其他变化因素，这使得难以对遥感图像进行分类。

传统的遥感图像分类方法都是基于人工提取颜色，纹理和形状等特征，如主要的SIFT，LBP，HOGs和Gist等方法。但是，这些传统方法容易造成分类混淆，无法获得理想的分类精度。

近年来，卷积神经网络(CNN)在遥感图像分类中表现出很强的特征提取和泛化能力，显示出巨大的潜力。深度网络可以直接学习训练样本来度量图像块之间的相似度，而不考虑人工设计的特征；学习遥感图像分类中的高级特征，而不是低级别的点、线和面特征，主要方法有VGGNet、AlexNet和GoogLeNet等。

卷积神经网络在图像分类任务的特征提取环节中发挥巨大作用，但在遥感图像研究领域仍存在一定的局限性，主要原因在于遥感图像数据集的特殊性：

(1)遥感图像数据集样本数量少，深度学习方法无法得到充分学习，容易发生过拟合；

(2)遥感图像具有多角度、多方向的特点，每个类别在角度和位置上差异很大；

(3)在一般图像分类任务中，训练集和测试集具有相同的分布特点，卷积神经网络分类效果很好；如果图像被翻转、倾斜或有任何其它方向、角度问题时，卷积神经网络就无法达到理想的分类性能；

(4)卷积神经网络分类模型池化层操作会丢失图像的空间信息，仅具有特征学习不变性，并不具备特征学习的同变能力。针对方向、位置特征信息尤为丰富的遥感图像，卷积神经网络分类模型鲁棒性差，加重了过拟合的弊端。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于孪生网络的联合损失遥感图像分类方法，与现有基于卷积神经网络的分类方法相比，本发明引入孪生网络结构来提取遥感图像特征信息，嵌入分类损失函数和度量学习损失函数，结合联合损失优化的方法计算遥感图像特征量并进行度量，改进了遥感图像的特征学习能力，提高了遥感图像分类准确率，更具鲁棒性。

为实现上述目的，本发明采用的技术方案为：

一种基于孪生网络的联合损失遥感图像分类方法，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。