基于改进的AlexNet网络模型的遥感图像分类方法研究

文章尝试利用深度神经网络进行遥感图像分类。经过比较后选择了AlexNet网络模型，为了缩短训练时间和提升分类准确率，对网络模型进行了改进，同时进一步尝试了权值迁移的训练方法。利用公开的遥感影像分类数据集UCM，在改进的网络模型上采用权值迁移的方法进行了试验，试验结果表明，改进后的网络模型具有很好的准确率和效率。
利用深度神经网络模型进行分类时，都是从零开始训练网络，让深层网络通过训练学习到数据集的特定特征，这一方式称之为全训练，将数据集输入网络后，随机初始化权重，当数据集足够大时，此过程应该非常有用，使得网络收敛，通过特定的滤波器可以倾向于生成更精确的特征。同时，从零开始全训练需要大量的计算资源，在很多时候要受到条件的限制。
改进的思路为利用其它数据集训练好的网络模型，将训练好的模型中的权重赋予训练开始时网络模型中的权重变量，而非随机初始化，这一过程称为权值迁移。在训练时不随机初始化网络中的权值，而是利用已有数据集训练好的权值来初始化网络。可以认为，网络中的前几层或者说早期的学习学习到了边缘等浅层特征，后面的层学习到了更高级更本质的细节，这样，权重迁移时也可以让前边的部分层获得已经训练过的参数，后边的层仍然随机初始化，即只微调前边的某些层而非整个网络模型。这样做既可以显著提高训练效率，同时使得相对于庞大网络而显得体重不足的数据集可以在大网络上训练，提取到更加本质的特征，提升分类效果。由于权值迁移用到了经过原始数据集训练好的网络模型中的最终权重值，因此原始数据集的选择肯定会对最终的分类准确率造成影响。
文章使用ImageNet数据集作为原始数据集是一个很自然的选择，经它训练过的网络更加容易学习到图像的底层和本质特征，将训练好的模型参数迁移进网络再训练各自领域的数据集应该有很好的效果。
注：文章选自《基于改进的AlexNet网络模型的遥感图像分类方法研究》周天顺等