遥感融合残差网络多光谱成分提取-自建Lambda层

最新推荐文章于 2024-09-14 19:55:29 发布

qq_43814272

最新推荐文章于 2024-09-14 19:55:29 发布

阅读量259

点赞数

文章标签：网络深度学习神经网络 tensorflow 卷积神经网络

本文链接：https://blog.csdn.net/qq_43814272/article/details/110086624

版权

该博客介绍了如何基于《Target-AdaptiveCNN-BasedPansharpening》建立的TaPNN框架，改进skipconnection层，以从5层输入图像中精确提取出4层的多光谱图像。通过使用Lambda层实现这一功能，解决了因维度调整导致的封装错误。最终构建了一个包含Lambda层的模型，并进行了训练和编译。

摘要由CSDN通过智能技术生成

遥感融合残差网络多光谱成分提取-自建Lambda层

之前基于《Target-Adaptive CNN-Based Pansharpening》建立了TaPNN的框架，最近在拿来跑数据库的时候发现，当时为了省力，直接在skip connection里加了一个conv2d卷积层使输出一个4层的图像，尽管训练出来的图像是无误的，但是本着尽可能尊重文献的原则，还是希望可以从5层输入图像中提取出一个4层的多光谱图像，然后直连到最后一个卷积层的输出。
将所有层封装，需要所有的封装单位是Layer而非Tensor，在字符包埋后，由于Conv2D需要提供channel维度，所以一开始使用reshape命令使tensor维度增加，这个函数使x的属性变为Tensor而非Layer，所以引起封装错误，使用Lambda函数或Reshape 层函数解决

创建函数：

def get_ms_components(x): #x:Input image
    return x[:,:,:,:4]   #extract the ms component

自建一个Lambda层：

img_input1=Lambda(get_ms_components)(img_input)

skip connection：

conv4=layers.add([img_input1,conv3])

整体框架：

    def get_ms_components(x):
        return x[:,:,:,:4]

    img_input = Input(shape=(image_height_size, image_width_size, n_bands))
    img_input1=Lambda(get_ms_components)(img_input)
    conv1 = Conv2D(n1, (f1, f1), padding='same', activation='relu')(img_input)
    conv2 = Conv2D(n2, (f2, f2), padding='same', activation='relu')(conv1)
    conv3 = Conv2D(n_bands - 1, (f3, f3), padding='same')(conv2)

    conv4=layers.add([img_input1,conv3])

    model = Model(inputs=img_input, outputs=conv4)
    model.compile(optimizer=Adam(lr=l_r), loss='mae', metrics=['mse'])

    return model