基于深度可分离残差网络的高分遥感影像场景分类方法

作     者：彭国峰 

作者单位：辽宁工程技术大学 

学位级别：硕士

导师姓名：吕欢欢

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：高分辨率遥感影像 场景分类 卷积神经网络 残差网络 深度可分离卷积 

摘      要：利用深度学习方法实现高分辨率遥感影像场景分类已经成为当前技术发展的趋势。然而,高分遥感影像地物类型复杂,目标信息与背景信息易混淆,分类网络模型参数量较大,难以识别复杂背景下的场景类别且容易出现模型过拟合的问题。针对上述问题,提出了一种基于深度可分离残差网络的方法。首先,为扩大感受野的范围,将转置卷积与标准卷积相结合,构建出转置卷积模块,增加网络结构中深层特征图的尺寸,为浅层特征图引入对目标的高层抽象和上下文信息;其次,针对网络模型参数多、计算量大的问题,引入深度可分离卷积,起到减少参数的作用;再次,为提高模型的鲁棒性,构建转置卷积模块和深度可分离模块的残差网络特征提取模型,能够重复使用特征,减缓了由于层数深度而引起的过拟合等问题;然后,为提高模型的收敛能力,结合Tanh和ELU激活函数的特点,改进骨干网络的激活函数,加快网络的训练速度;最后,将提取到的深层次特征输入到Softmax分类层中进行分类。实验结果表明,将所提出的方法应用UCM、AID和NWPU45数据集进行实验,分类精度分别达到了99.32%、95.30%和92.78%,验证了所提出方法的有效性;通过消融实验和模型参数设置实验,验证了提出模型的轻量级特性和提高影像分类精度的可行性。因此,所提出的方法能够保证模型高分类精度的同时,降低参数量,具有较为优秀的高分影像场景分类能力。该论文有图48幅,表18个,参考文献61篇。