基于神经网络的遥感图像分析及知识图谱应用

最新推荐文章于 2023-07-25 17:00:41 发布

VIP文章晶晶晶晶477

最新推荐文章于 2023-07-25 17:00:41 发布

阅读量1.9k

点赞数 7

文章标签：神经网络知识图谱深度学习

本文链接：https://blog.csdn.net/qq_26134355/article/details/128543242

版权

一、人工智能最新研究应用。

1. 遥感图像分类
随着遥感技术的飞速发展，获取大量高分辨率的遥感图像越来越容易，这些高质量的遥感图像在实际生产生活中有着广泛的应用，如精细农业、森林火灾检测、城市规划等。高分辨率遥感图像包含了非常丰富的地物纹理信息和空间语义信息，如何将大量的遥感图像进行准确分类是遥感图像解析的重要研究内容。
遥感图像场景分类方法根据特征提取的层次可分为低层特征处理和中层特征处理两大类方法。低层特征通常采用场景图像的颜色、方向梯度、密度特征、特征点、变换域的纹理等进行描述。这些低层特征不能很好地对中层语义进行描述，难以跨越低层到高层语义的鸿沟，泛化能力差。目前遥感图像分类算法主要集中于中层语义特征建模，如视觉词袋模型、空间金字塔匹配模型等方法。虽然这些方法能一定程度地缩小低层到高层语义的鸿沟，但其对图像深层特征的提取和场景的尺度变化缺乏有效的处理措施，难以在复杂场景分类中取得较高精度。
近年来随着深度学习的快速发展，以卷积神经网络为代表的深度神经网络在图像识别、自然语言处理等领域中取得了较好的结果，也有不少研究人员将其应用到遥感图像场景分类任务中。这些方法与传统机器学习方法相比有了很大提升，但针对遥感图像空间信息复杂，图像中关键物体小并且尺度变化大等问题，这些方法还不能够对遥感图像信息进行很好的描述。同时随着神经网络的加深，网络变得更加复杂和难以训练，导致分类准确率饱和甚至下降。
针对上述问题，提出一种改进的ResNet50网络模型，在残差块中引入分组卷积和可分离卷积，以减少网络的参数量和计算量，加速模型的收敛。同时在每一个大的卷积组后嵌入多尺度缩聚与激发模块(squeeze and excitation block , SE block)，将不同尺度的特征进行融合，提高通道间的依赖性，并以此进行模型训练，以验证本文方法对遥感图像的分类有效性。

2.相关工作

2.1残差神经网络
随着深度神经网络层数的不断增加，网络的学习能力越来越强，但相对的网络的收敛速度会减慢，梯度在传播过程中会消失，导致无法对前面网络层的权重进行有效调整。传统卷积神经网络，网络中除了第一层外，每一层的输入都来源于上一层的输出，而残差神经网络采用跳跃式结构，使得深度残差网络可以越过中间几层直接将参数传递给后面的层，降低了网络的复杂度，解决了深层次网络的退化问题，促进了网络性能的提升。
残差神经网络的网络结构如图1所示，该网络借鉴了高速网络的跨层连接思想。在图1所示的残差单元结构中，x为网络的输入，H(x)为最优解映射，F(x)代表残差项，直接把输入x传到输出作为初始结果，输出H(x)=F(x)+x,当F(x)=0时，H(x)=x，，即恒等于映射。残差神经网络的训练目标就是要使得残差项F(x)=H(x)-x的结果逼近于0。让网络学习F(x) = 0相比于更新该网络的参数来学习H(x)=x,更简单，该层学习F(x)=0的更新参数能够更快收敛。该种结构的残差网络与没有采用跳跃式结构的网络模型相比，其输入的数据更加清晰，能最大程度的保留数据的准确性。
在这里插入图片描述

图1 残差网络单元示意图
2.2分组卷积
分组卷积最早在AlexNet中出现，由于计算资源有限，通常将卷积操作分配给多个图形处理器(graphics processing unit , GPU)分别进行处理，最后将多个GPU的结果进行融合。分组卷积的原理如图2所示，假设输入尺寸为H×W×C卷积核的个数为N，大小为k×k，将输入特征图分为G个组，在图2中G=2，则每一组的输入特征图数量为C/G,每组的卷积核个数为N/G，每组卷积核只与其所对应组的输入进行卷积。
对于普通卷积来说，卷积核的总参数量为
在这里插入图片描述

分组卷积所对应的卷积核参数总量为
在这里插入图片描述

从计算结果可以看出，经过分组卷积可将总参数量降为原来的1/G，其用少量的参数量和计算量就能产生大量的特征图。
在这里插入图片描述

图2 分组卷积
2.3深度可分离卷积
深度可分离卷积分为深度卷积和逐点卷积两个过程，在进行卷积操作时将通道和空间区域分开考虑，对于不同的输入通道采取不同的卷积核进行卷积。深度卷积过程如图3所示，假设输入大小为H×W×C,C为通道数，在图3中C=3。假设卷积核个数为m，大小为k×k×l。则在深度卷积中，将输入分为了C组，每一组做k×k×l的卷积，每一个卷积核只提取其所在通道的空间特征。
在这里插入图片描述