[发明专利]一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法

权利要求书

1.一种改进的ShuffleNet卷积神经网络，其特征在于，所述改进的ShuffleNet卷积神经网络从前至后为Conv1层、最大重叠池化层、ShuffleNet V2网络、Conv5层、SE模块、全局平均池化层和全连接层，ShuffleNet V2网络包括依次连接的Stage1、Stage2和Stage3。

2.根据权利要求1所述一种改进的ShuffleNet卷积神经网络，其特征在于，最大重叠池化层由以下步骤实现：将ShuffleNet V2网络中最大池化层的填充补零操作移除，使得池内核的大小大于步长值，池化层的输出相互重叠并覆盖以形成最大重叠池化层。

3.根据权利要求1所述的一种改进的ShuffleNet卷积神经网络，其特征在于，改进的ShuffleNet卷积神经网络中的每一个卷积层均包含一系列的非线性变换，所述非线性变换包含批量归一化、ReLU激活函数和卷积操作；其中，

批量归一化：把每一层的输入图像变换为均值为0、方差为1的正态分布，得到标准化结果，公式如下：

其中，μ_B为特征平均值，为特征的方差，γ、β为引入的参数，∈是添加到最小批量方差的常数；

ReLU激活函数通过以下公式实现：

卷积操作公式如下：

其中，x_i＝[x₁,x₂,...,x_D]是有D个通道的张量输入，w_i是卷积核上对应第i个通道上的权重；卷积层的输出张量大小满足以下公式：

其中，O为输出张量的尺寸，I为输入张量的尺寸，K为卷积核的尺寸，P为零填充数，S为移动步长，输出张量的通道数等于卷积核数。

4.根据权利要求1所述一种改进的ShuffleNet卷积神经网络，其特征在于，Conv1层卷积核大小由原来的3×3改进为5×5。

5.根据权利要求1所述一种改进的ShuffleNet卷积神经网络，其特征在于，最大重叠池化层采用步长为2的3×3的最大重叠池化层。

6.根据权利要求1所述一种改进的ShuffleNet卷积神经网络，其特征在于，Conv5层的卷积核大小由原来的1×1改进为3×3。

7.一种遥感图像的分类方法，应用于权利要求1-6任一项所述的一种改进的ShuffleNet卷积神经网络中，其特征在于，包括以下步骤：

步骤1、获取图像数据集并将图像数据集中的数据划分为训练集和测试集；

步骤2、对图像数据集进行预处理，并裁剪成分辨率为224×224的图像；

步骤3、将裁剪后的图像输入到Conv1层进行卷积运算，并对训练集中的图像进行特征提取；

步骤4、将特征提取后的图像输入到最大重叠池化层来增强输入图像的细节特征和分类精度；

步骤5、将最大重叠池化层处理后的图像输入到ShuffleNet V2网络组成的三个阶段中；

步骤6、将第三个阶段输出的图像依次输入到Conv5层、SE模块、全局平均池化层、全连接层中，得到训练好的ShuffleNet卷积神经网络；

步骤7、将测试集输入至训练好的ShuffleNet卷积神经网络，得到图像分类结果。

8.根据权利要求7所述的一种遥感图像的分类方法，其特征在于，步骤2中预处理包括标准化和归一化，具体为：

其中，μ是图片的均值，X表示图片的张量，σ表示标准方差，max表示图片张量的最大值，min表示图片张量的最小值，X₁表示标准化后的图片张量，x⁰表示归一化后的图片张量。