CN112132193A - 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 - Google Patents
一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 Download PDFInfo
- Publication number
- CN112132193A CN112132193A CN202010944670.4A CN202010944670A CN112132193A CN 112132193 A CN112132193 A CN 112132193A CN 202010944670 A CN202010944670 A CN 202010944670A CN 112132193 A CN112132193 A CN 112132193A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- model
- noise
- sensing image
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000003709 image segmentation Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种用于遥感图像分类的神经网络优化方法、终端以及存储介质。包括:获取遥感图像数据集;构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U‑Net网络;将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U‑Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。本申请实施例提高了网络模型的特征提取能力,解决了由于遥感图像数据集中标签存在噪声导致的神经网络分类精度下降的问题。
Description
技术领域
本申请属于遥感图像处理技术领域,特别涉及一种用于遥感图像分类的神经网络优化方法、终端以及存储介质。
背景技术
遥感图像的分类问题对应于计算机视觉中的语义分割问题,是将图像中的每一个像素点赋予一个分类类别。目前在遥感图像分类过程中数据集标签存在噪声问题,主要包括类别像素点多标注或者少标注两类,类似于图像被膨胀或者腐蚀,使用含有噪声的数据集去训练神经网络,会导致神经网络的分类性能降低且得到的结果不准确。
现有处理标签噪声问题的卷积神经网络算法包括两种,一种为对噪声进行建模,构建一个噪声处理模型,利用网络输出结果更新标签,纠正训练过程中的噪声标签。另一中方法是使用对噪声鲁棒性的损失函数,提高神经网络算法的鲁棒性。上述算法在处理自然图像分类中的噪声标签问题都可以取得不错的效果,但是无法应用到训练标签存在噪声的情况。
随着深度学习在自然图像处理领域取得巨大的成功,许多研究人员将深度学习中的语义分割方法应用到遥感图像分类中取得了很好的效果。深度学习能取得优越效果的至关重要的一个因素在于有一个标注准确的数据集作为训练学习。而在遥感图像中手工制作一个标注准确且不含噪声的数据集耗时且难度大。
发明内容
本申请提供了一种用于遥感图像分类的神经网络优化方法、终端以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种用于遥感图像分类的神经网络优化方法,包括:
获取遥感图像数据集;
构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;
将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。
本申请实施例采取的技术方案还包括:所述获取遥感图像数据集包括:
按照设定比例将所述遥感图像数据集分为训练集、验证集和测试集,并将所述训练集、验证集和测试集图像裁剪为设定大小的图像,并对所述训练集图像进行数据清洗及数据增强处理。
本申请实施例采取的技术方案还包括:所述通过所述基于SE模块的U-Net网络进行图像分割包括:
输入特征图经过一个标准卷积层后,产生两条分支,第一分支通过两层标准卷积层,得到第一特征图;第二分支为SE模块,所述SE模块包括Globalpooling层、两层FullyConnected层和sigmoid函数层,首先通过Globalpooling层对所述输入特征图进行全局平均池化,得到第二特征图;然后经过两层Fully Connected层后由sigmoid函数层激活,得到与所述第二特征图大小相对应的权重,并将所述权重与第一分支产生的第一特征图相乘,得到图像分类输出结果。
本申请实施例采取的技术方案还包括:所述通过所述损失选择模型采用ksigma准则进行损失选择包括:
如果一组检测数据大致服从正态分布且只包含随机误差,对所述随机误差进行处理得到标准偏差,并按设定概率确定偏差区间,将超过所述偏差区间的误差判定为粗大误差并剔除。
本申请实施例采取的技术方案还包括:所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练包括:
将所述训练集输入抗噪网络模型,设定学习率、迭代次数、损失选择模型的K值,并设置用于优化网络参数的损失函数,根据损失曲线调整模型训练过程。
本申请实施例采取的技术方案还包括:所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练还包括:
从所述训练集中随机选取0%、25%和50%的样本图像,并分别使用5*5、7*7和9*9的卷积核对选取的样本图像进行膨胀及腐蚀,生成不同类型和水平的噪声标记图像,根据不同类型和水平的噪声标记图像分别所述对抗噪网络模型进行训练。
本申请实施例采取的技术方案还包括:所述得到最优的网络模型参数后还包括:
将所述测试集图像输入抗噪网络模型,得到所述测试集图像的分类结果,并根据所述分类结果对所述抗噪网络模型性能进行评价。
本申请实施例采取的另一技术方案为:一种神经网络优化系统,包括:
数据获取模块:用于获取遥感图像数据集;
抗噪网络构建模块:用于构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;
模型训练模块:用于将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。
本申请实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述用于遥感图像分类的神经网络优化方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制用于遥感图像分类的神经网络优化。
本申请实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述用于遥感图像分类的神经网络优化方法。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的用于遥感图像分类的神经网络优化方法、系统、终端及存储介质基于语义分割网络U-Net对网络模型进行改进,构建抗噪网络模型,采用ksigma准则进行损失选择,在抗噪网络模型中增加SE模块,提高网络模型的特征提取能力,解决了由于遥感图像数据集中标签存在噪声导致的神经网络分类精度下降的问题。
附图说明
图1是本申请第一实施例的用于遥感图像分类的神经网络优化方法的流程图;
图2是本申请实施例的抗噪网络模型架构图;
图3为现有U-Net网络结构图;
图4是本申请实施例的SE模块的结构图;
图5是本申请第二实施例的用于遥感图像分类的神经网络优化方法的流程图;
图6为本申请实施例的用于遥感图像分类的神经网络优化系统结构示意图;
图7为本申请实施例的终端结构示意图;
图8为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请第一实施例的用于遥感图像分类的神经网络优化方法的流程图。本申请第一实施例的用于遥感图像分类的神经网络优化方法包括以下步骤:
S10:获取遥感图像数据集;
其中,遥感图像数据集中的图像数量及图像大小可根据实际操作进行设定。
S11:按照设定比例将遥感图像数据集分为训练集、验证集和测试集;
S12:构建基于SE模块的抗噪网络模型;
其中,抗噪网络模型架构如图2所示,其包括图像分割模型和损失选择模型。图像分割模型为基于SE模块的U-Net网络,现有U-Net的网络结构如图3所示,其包括特征提取部分以及上采样部分两个部分。其中,特征提取部分分为五个层级,每经过一层池化层图像分辨率就会减半;相应地,上采样部分也分为五个层级,每个层级分别有一个包含两层标准卷积层的卷积模块。本实施例在现有U-Net的基础上对网络模型进行改进,在U-Net网络结构中增加了SE模块(Squeeze-and-Excitation Networks),以扩大对全局信息的感知,提升网络对于困难样本的学习能力。
具体地,本申请实施例中网络模型的改进点在于:将现有U-Net网络结构中的卷积模块替换为SE模块,用于提高网络的特征提取能力;SE模块的结构如图4所示。如图4所示,图像分割模型的图像分割过程具体为:输入特征图后,首先经过一个标准卷积层(Conv),之后产生两条分支,第一分支通过两层标准卷积层,得到大小为C*3*3的第一特征图(C为特征图通道);第二分支为SE模块,包括Globalpooling(全局池化层)、两层Fully Connected(全连接层)和sigmoid函数层,首先通过Globalpooling对输入特征图进行全局平均池化,得到大小为C*1*1的第二特征图;然后经过两层Fully Connected(先降维后升维)后由sigmoid函数层激活,得到大小为C*1*1的权重,并在对应位置将权重与第一分支产生的第一特征图相乘,得到图像分类输出结果。
由于在网络训练过程中,含有噪声标签的样本得到的损失会比干净标签的样本得到的损失大,因此,通常会由损失选择模型采用ksigma算法对得到的损失进行选择,剔除异常的损失值,从而剔除噪声样本。但是剔除所有高损失样本的同时,也会剔除掉困难学习的样本,然而这部分困难学习的样本对于网络性能的提升发挥着重要作用。针对此不足,本申请实施例通过损失选择模型采用ksigma准则进行损失选择,假设一组检测数据大致服从正态分布且只包含随机误差,对随机误差进行处理得到标准偏差,并按设定概率确定一个偏差区间,将超过该偏差区间的误差判定为粗大误差并剔除。
S13:将训练集输入抗噪网络模型进行迭代训练,得到最优的网络模型参数;
S14:将测试集输入训练好的的抗噪网络模型,得到测试集图像的分类结果,并根据测试结果对抗噪网络模型性能进行评价。
基于上述,本申请第一实施例的用于遥感图像分类的神经网络优化方法利用SE模块对语义分割网络U-Net进行改进,构建抗噪网络模型,提高网络模型的特征提取能力,并采用ksigma准则进行损失选择,解决由于遥感图像数据集中标签存在噪声导致的神经网络分类精度下降的问题。
请参阅图5,是本申请第二实施例的用于遥感图像分类的神经网络优化方法的流程图。本申请第二实施例的用于遥感图像分类的神经网络优化方法包括以下步骤:
S20:下载Inria Aerial Image Labeling Dataset作为遥感图像数据集;
其中,本实施例以Inria Aerial Image Labeling Dataset(是一个用于城市建筑物检测的遥感图像数据集)作为数据集。该数据集中一共包括180张5000*5000像素点大小的遥感图像,数据集的标注信息包括建筑物以及非建筑物两类,主要用于语义分割。
S21:根据遥感图像数据集构建训练集、验证集和测试集,同时将训练集、验证集和测试集图像裁剪为设定大小的图像,并对训练集图像进行数据清洗及数据增强等操作;
其中,本实施例仅以将数据集中135幅图像作为训练集、20幅图像作为验证集、25幅图像作为测试集为例,三者相互独立,同时将图像随机裁剪为256*256大小的图像,具体的图像数量、大小可根据实际操作进行设定。数据增强包括但不限于旋转、镜面对称或/和加入高斯噪声等方式。
S22:构建基于SE模块的抗噪网络模型;
S23:将训练集输入抗噪网络模型进行训练,得到训练好的网络模型参数;
其中,模型训练过程具体为:将构建的训练集输入抗噪网络模型,设定学习率、迭代次数、损失选择模型的K值等超参数,并设置用于优化网络参数的损失函数,根据训练好的损失曲线调整训练过程,最终得到训练好的网络模型参数。
进一步地,本申请实施例通过从训练集中随机选取0%、25%和50%的样本图像,然后分别使用5*5、7*7和9*9的卷积核对选取的样本图像进行膨胀及腐蚀,以剔除掉部分噪声样本,从而生成不同类型和水平的噪声标记图像,根据不同类型和水平的噪声标记图像分别对抗噪网络模型进行训练。
S24:将测试集输入训练好的抗噪网络模型,得到测试集图像的分类结果,并根据分类结果对抗噪网络模型性能进行评价。
为了验证本申请实施例的可行性和有效性,以下通过实验对本申请进行测试。实验采用像素精度PA(Pixel Accuracy)、平均交并比MIOU(Mean Intersection overUnion)、Kappa系数作为评价指标,其中:
其中,共有k+1个类(从L0到Lk,其中一个为背景类),pij表示标签为类别i但被预测为类别j的像素点数量,pii表示标签为类别i预测也为类别i的像素点数量,pji表示标签为类别j但是预测为类别i的像素点数量,po是每一类正确分布的样本数量之和除以总样本数,pe是假设每一类的真实样本个数分别为a1,a2,而预测出来的每一类的样本个数为b1,b2,总样本个数为n,则:
pe=(a1*b1+a2*b2)/(n*n) (4)
通过对所给数据集进行实验,在训练集上用不同等级的噪声标签对网络进行训练,在干净标签上进行测试,并与现有U-Net网络进行对比。下表1为现有U-Net网络与本申请实施例中的抗噪网络模型的实验结果:
表1:U-Net网络与本申请抗噪网络模型的实验结果
由上表可以看出,随着噪声水平在面积和比例上的增加,U-Net网络的分割性能出现不同程度地下降。而本申请实施例的抗噪网络,分割性能下降缓慢甚至在噪声比例小的情况下,可以保持与无噪声相同的精度。因此,实验结果表明,本申请实施例可以解决由于遥感图像数据集中标签存在噪声导致的神经网络分类精度下降的问题。
请参阅图6,为本申请实施例的用于遥感图像分类的神经网络优化系统的结构示意图。本申请实施例的用于遥感图像分类的神经网络优化系统包括:
数据获取模块:用于获取遥感图像数据集;
数据分割模块:用于按照设定比例将遥感图像数据集分为训练集、验证集和测试集;
抗噪网络构建模块:用于构建抗噪网络模型;
其中,抗噪网络模型包括图像分割模型和损失选择模型。图像分割模型为基于SE模块的U-Net网络,现有U-Net的网络结构包括特征提取部分以及上采样部分两个部分。其中,特征提取部分分为五个层级,每经过一层池化层图像分辨率就会减半;相应地,上采样部分也分为五个层级,每个层级分别有一个包含两层标准卷积层的卷积模块。本实施例在现有U-Net的基础上对网络模型进行改进,在U-Net网络结构中增加了SE模块(Squeeze-and-Excitation Networks),以扩大对全局信息的感知,提升网络对于困难样本的学习能力。
具体地,本申请实施例中网络模型的改进点在于:将现有U-Net网络结构中的卷积模块替换为SE模块,用于提高网络的特征提取能力;SE模块的结构如图4所示,图像分割模型的图像分割过程具体为:输入特征图后,首先经过一个标准卷积层(Conv),之后产生两条分支,第一分支通过两层标准卷积层,得到大小为C*3*3的第一特征图(C为特征图通道);第二分支为SE模块,包括Globalpooling(全局池化层)、两层Fully Connected(全连接层)和sigmoid函数层,首先通过Globalpooling对输入特征图进行全局平均池化,得到大小为C*1*1的第二特征图;然后经过两层Fully Connected(先降维后升维)后由sigmoid函数层激活,得到大小为C*1*1的权重,并在对应位置将权重与第一分支产生的第一特征图相乘,得到图像分类输出结果。
由于在网络训练过程中,含有噪声标签的样本得到的损失会比干净标签的样本得到的损失大,因此,通常会由损失选择模型采用ksigma算法对得到的损失进行选择,剔除异常的损失值,从而剔除噪声样本。但是剔除所有高损失样本的同时,也会剔除掉困难学习的样本,然而这部分困难学习的样本对于网络性能的提升发挥着重要作用。针对此不足,本申请实施例通过损失选择模型采用ksigma准则进行损失选择,假设一组检测数据大致服从正态分布且只包含随机误差,对随机误差进行处理得到标准偏差,并按设定概率确定一个偏差区间,将超过该偏差区间的误差判定为粗大误差并剔除。
模型训练模块:用于将训练集输入抗噪网络模型进行训练,得到训练好的网络模型参数;
模型评价模块:用于将测试集输入训练好的的抗噪网络模型,得到测试集图像的分类结果,并根据测试结果对抗噪网络模型性能进行评价。
请参阅图7,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述用于遥感图像分类的神经网络优化方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制用于遥感图像分类的神经网络优化。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图8,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种用于遥感图像分类的神经网络优化方法,其特征在于,包括:
获取遥感图像数据集;
构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;
将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。
2.根据权利要求1所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述获取遥感图像数据集包括:
按照设定比例将所述遥感图像数据集分为训练集、验证集和测试集,并将所述训练集、验证集和测试集图像裁剪为设定大小的图像,并对所述训练集图像进行数据清洗及数据增强处理。
3.根据权利要求1所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述通过所述基于SE模块的U-Net网络进行图像分割包括:
输入特征图经过一个标准卷积层后,产生两条分支,第一分支通过两层标准卷积层,得到第一特征图;第二分支为SE模块,所述SE模块包括Globalpooling层、两层FullyConnected层和sigmoid函数层,首先通过Globalpooling层对所述输入特征图进行全局平均池化,得到第二特征图;然后经过两层Fully Connected层后由sigmoid函数层激活,得到与所述第二特征图大小相对应的权重,并将所述权重与第一分支产生的第一特征图相乘,得到图像分类输出结果。
4.根据权利要求3所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述通过所述损失选择模型采用ksigma准则进行损失选择包括:
如果一组检测数据大致服从正态分布且只包含随机误差,对所述随机误差进行处理得到标准偏差,并按设定概率确定偏差区间,将超过所述偏差区间的误差判定为粗大误差并剔除。
5.根据权利要求2所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练包括:
将所述训练集输入抗噪网络模型,设定学习率、迭代次数、损失选择模型的K值,并设置用于优化网络参数的损失函数,根据损失曲线调整模型训练过程。
6.根据权利要求5所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练还包括:
从所述训练集中随机选取0%、25%和50%的样本图像,并分别使用5*5、7*7和9*9的卷积核对选取的样本图像进行膨胀及腐蚀,生成不同类型和水平的噪声标记图像,根据不同类型和水平的噪声标记图像分别所述对抗噪网络模型进行训练。
7.根据权利要求2所述的用于遥感图像分类的神经网络优化方法,其特征在于,所述得到最优的网络模型参数后还包括:
将所述测试集图像输入抗噪网络模型,得到所述测试集图像的分类结果,并根据所述分类结果对所述抗噪网络模型性能进行评价。
8.一种神经网络优化系统,其特征在于,包括:
数据获取模块:用于获取遥感图像数据集;
抗噪网络构建模块:用于构建抗噪网络模型,所述抗噪网络模型包括图像分割模型和损失选择模型,所述图像分割模型为基于SE模块的U-Net网络;
模型训练模块:用于将所述遥感图像数据集输入所述抗噪网络模型进行迭代训练,所述抗噪网络模型通过所述基于SE模块的U-Net网络进行图像分割,得到图像分类结果,并通过所述损失选择模型采用ksigma准则进行损失选择,剔除掉超过设定偏差区间的误差,得到最优的网络模型参数。
9.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-7任一项所述的用于遥感图像分类的神经网络优化方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制用于遥感图像分类的神经网络优化。
10.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至7任一项所述用于遥感图像分类的神经网络优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944670.4A CN112132193A (zh) | 2020-09-10 | 2020-09-10 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
PCT/CN2020/138818 WO2022052367A1 (zh) | 2020-09-10 | 2020-12-24 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944670.4A CN112132193A (zh) | 2020-09-10 | 2020-09-10 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132193A true CN112132193A (zh) | 2020-12-25 |
Family
ID=73845354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944670.4A Pending CN112132193A (zh) | 2020-09-10 | 2020-09-10 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112132193A (zh) |
WO (1) | WO2022052367A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766313A (zh) * | 2020-12-29 | 2021-05-07 | 厦门贝启科技有限公司 | 基于U-net结构的水晶体分割及定位方法、装置、设备和介质 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN115937681A (zh) * | 2022-12-05 | 2023-04-07 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
CN113673530B (zh) * | 2021-08-18 | 2023-06-16 | 中国人民解放军国防科技大学 | 遥感图像语义分割方法、装置、计算机设备和存储介质 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821299B (zh) * | 2022-03-28 | 2024-03-19 | 西北工业大学 | 一种遥感图像变化检测方法 |
CN115035402B (zh) * | 2022-04-15 | 2023-09-12 | 南京信息工程大学 | 一种用于土地覆盖分类问题的多级特征聚合系统及方法 |
CN115035406B (zh) * | 2022-06-08 | 2023-08-04 | 中国科学院空间应用工程与技术中心 | 遥感场景数据集的标注方法、系统、存储介质及电子设备 |
CN115063692B (zh) * | 2022-07-06 | 2024-02-27 | 西北工业大学 | 一种基于主动学习的遥感图像场景分类方法 |
CN115223063B (zh) * | 2022-07-13 | 2023-05-30 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
CN115576014B (zh) * | 2022-10-26 | 2023-07-11 | 江苏科技大学 | 一种基于声波远探测成像的裂缝型储层智能识别方法 |
CN115841590B (zh) * | 2022-11-16 | 2023-10-03 | 中国烟草总公司湖南省公司 | 神经网络推理优化方法、装置、设备及可读存储介质 |
CN116030358B (zh) * | 2022-12-20 | 2023-06-23 | 中国科学院空天信息创新研究院 | 面向星群分布式的参数特征融合的遥感细粒度分类方法 |
CN116188816B (zh) * | 2022-12-29 | 2024-05-28 | 广东省新黄埔中医药联合创新研究院 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
CN116030347B (zh) * | 2023-01-06 | 2024-01-26 | 山东建筑大学 | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 |
CN116168295B (zh) * | 2023-02-24 | 2023-12-05 | 中国地质大学(武汉) | 一种岩性遥感智能解译模型建立方法及解译方法 |
CN116091953B (zh) * | 2023-04-11 | 2023-07-14 | 耕宇牧星(北京)空间科技有限公司 | 一种基于分组小波校准网络的建筑垃圾识别方法 |
CN116434037B (zh) * | 2023-04-21 | 2023-09-22 | 大连理工大学 | 基于双层优化学习的多模态遥感目标鲁棒识别方法 |
CN116660876A (zh) * | 2023-05-26 | 2023-08-29 | 吉林大学 | 一种中华白海豚回声定位信号自动检测和定位方法 |
CN116486273B (zh) * | 2023-06-20 | 2023-09-01 | 南昌工程学院 | 一种小样本遥感图像水体信息提取方法 |
CN116761179B (zh) * | 2023-07-14 | 2024-04-30 | 青岛科技大学 | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
CN110717420A (zh) * | 2019-09-25 | 2020-01-21 | 中国科学院深圳先进技术研究院 | 一种基于遥感图像的耕地提取方法、系统及电子设备 |
CN111242015A (zh) * | 2020-01-10 | 2020-06-05 | 同济大学 | 一种基于运动轮廓语义图预测行车危险场景的方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11080526B2 (en) * | 2017-08-15 | 2021-08-03 | Regents Of The University Of Minnesota | Satellite image classification across multiple resolutions and time using ordering constraint among instances |
CN110443143B (zh) * | 2019-07-09 | 2020-12-18 | 武汉科技大学 | 多分支卷积神经网络融合的遥感图像场景分类方法 |
-
2020
- 2020-09-10 CN CN202010944670.4A patent/CN112132193A/zh active Pending
- 2020-12-24 WO PCT/CN2020/138818 patent/WO2022052367A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
CN110717420A (zh) * | 2019-09-25 | 2020-01-21 | 中国科学院深圳先进技术研究院 | 一种基于遥感图像的耕地提取方法、系统及电子设备 |
CN111242015A (zh) * | 2020-01-10 | 2020-06-05 | 同济大学 | 一种基于运动轮廓语义图预测行车危险场景的方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
Non-Patent Citations (3)
Title |
---|
刘浩, 骆剑承, 黄波, 等: "基于特征压缩激活Unet 网络的建筑物提取", 地球信息科学学报, vol. 21, no. 11, pages 1779 - 1789 * |
李万琦 等: "多模态融合的高分遥感图像语义分割方法", 中南民族大学学报( 自然科学版), vol. 39, no. 4, pages 405 - 412 * |
黑马程序员编著: "Python数据分析与应用 从数据获取到可视化", 30 September 2019, 中国铁道出版社, pages: 90 - 92 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766313A (zh) * | 2020-12-29 | 2021-05-07 | 厦门贝启科技有限公司 | 基于U-net结构的水晶体分割及定位方法、装置、设备和介质 |
CN112766313B (zh) * | 2020-12-29 | 2023-11-14 | 厦门贝启科技有限公司 | 基于U-net结构的水晶体分割及定位方法、装置、设备和介质 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN112991354B (zh) * | 2021-03-11 | 2024-02-13 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN113673530B (zh) * | 2021-08-18 | 2023-06-16 | 中国人民解放军国防科技大学 | 遥感图像语义分割方法、装置、计算机设备和存储介质 |
CN115937681A (zh) * | 2022-12-05 | 2023-04-07 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
CN115937681B (zh) * | 2022-12-05 | 2024-04-19 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022052367A1 (zh) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132193A (zh) | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
JP6969637B2 (ja) | 因果関係分析方法および電子デバイス | |
CN107424159B (zh) | 基于超像素边缘和全卷积网络的图像语义分割方法 | |
CN107784288B (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
WO2019233166A1 (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN111311538B (zh) | 一种基于卷积神经网络的多尺度轻量化道路路面检测方法 | |
US20180268533A1 (en) | Digital Image Defect Identification and Correction | |
CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN112418212A (zh) | 一种基于EIoU改进的YOLOv3算法 | |
CN110245683B (zh) | 一种少样本目标识别的残差关系网络构建方法及应用 | |
WO2023116632A1 (zh) | 基于时空记忆信息的视频实例分割方法和分割装置 | |
CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
CN115861715B (zh) | 基于知识表示增强的图像目标关系识别算法 | |
CN113065525A (zh) | 年龄识别模型训练方法、人脸年龄识别方法及相关装置 | |
CN114998595B (zh) | 弱监督语义分割方法、语义分割方法及可读存储介质 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN109492697B (zh) | 图片检测网络训练方法及图片检测网络训练装置 | |
CN111369489B (zh) | 一种图像识别方法、装置及终端设备 | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113808028B (zh) | 基于归因算法的对抗样本的检测方法和装置 | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN114241470A (zh) | 一种基于注意力机制的自然场景文字检测方法 | |
CN115424250A (zh) | 一种车牌识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |