深度学习模型制造技术

本发明专利技术提供一种深度学习模型

【技术实现步骤摘要】
深度学习模型、海底地貌分类模型构建方法及分类方法


[0001]本专利技术涉及遥感信息分类领域，具体而言，涉及一种深度学习模型
、
海底地貌分类模型构建方法及分类方法
。

技术介绍

[0002]近年来，随着海底资源在经济上的巨大潜力被发掘，对海底地形的研究也愈加重要
。
对于海底地貌分类来说，其在海洋资源开发
、
海底工程
、
港口建设
、
海上防险救生
、
海洋环境监测
、
划分大陆架和专属经济区
、
对全球气候演变和沉积过程探索
、
海底矿物质和天然气水合物的勘探以及航海航运等领域有着极其重要的作用及意义
。
[0003]但是，由于目前海底地貌的数据集仍旧十分稀缺，且现有的海底地貌分类技术主要采用人机交互目视解译方法，导致对海底地形地貌的分类结果存在一定的主观性，导致海底地貌分类精度不高，不能反应真实的海底地貌类别
。

技术实现思路

[0004]本专利技术解决的问题是如何提高海底地貌分类的精度，进而反映真实的海底地貌类别
。
[0005]为解决上述问题，本专利技术提供一种深度学习模型
、
海底地貌分类模型构建方法及分类方法
。
[0006]第一方面，本专利技术提供了一种深度学习模型，包括：输入层
、
先验知识权重网络
、
稠密连接网络组以及输出层，所述稠密连接网络组包括多个稠密连接网络，多个所述稠密连接网络串联，且第一个所述稠密连接网络的输入端与所述先验知识权重网络的输出端连接，最后一个所述稠密连接网络的输出端与所述输出层的输入端连接；
[0007]所述输入层用于获取反向散射数据；
[0008]所述先验知识权重网络用于提取所述反向散射数据的海底分类特征；
[0009]所述稠密连接网络组用于通过多个所述稠密连接网络依次深度迭代挖掘所述海底分类特征，生成深度海底分类特征；
[0010]所述输出层用于根据所述深度海底分类特征，输出海底地貌标签
。
[0011]可选地，所述先验知识权重网络包括权重自适应层和特征提取层；
[0012]所述权重自适应层用于在训练时获取先验知识，根据所述先验知识和权重分配机制，更新所述特征提取层的权重；
[0013]更新后的特征提取层用于提取所述海底分类特征
。
[0014]可选地，所述稠密连接网络包括特征提取子网络
、
下采样层和剪枝子网络；所述特征提取子网络分别与所述下采样层和所述剪枝子网络连接，所述特征提取子网络包括多个依次设置的隐藏层，各所述隐藏层与其之前所有所述隐藏层分别连接，最后一个所述隐藏层与所述下采样层连接；
[0015]所述特征提取子网络用于提取所述海底分类特征的海底分类稠密特征；
[0016]所述下采样层用于降低所述海底分类稠密特征的分辨率，生成所述深度海底分类特征；
[0017]所述剪枝子网络用于删除所述隐藏层的冗余连接和冗余通道，生成新的特征提取子网络
。
[0018]可选地，所述输出层包括全局平均池化层和全连接层，所述全局平均池化层的输入端与所述稠密连接网络的输出端连接，所述全局平均池化层的输出端与所述全连接层的输入端连接；
[0019]所述全局平均池化层用于池化所述深度海底分类特征，生成低维深度海底分类特征；
[0020]所述全连接层用于将所述低维深度海底分类特征转化为所述海底地貌标签
。
[0021]可选地，还包括损失模块，所述损失模块分别与所述稠密连接网络和所述输出层连接；
[0022]所述损失模块用于获取所述海底地貌标签的预测概率和标签平滑函数，以根据所述预测概率和所述标签平滑函数计算损失函数，还用于根据所述损失函数更新所述稠密连接网络的权重
。
[0023]可选地，所述输入层包括获取层和预处理层；
[0024]所述获取层用于获取原始反向散射数据；
[0025]所述预处理层用于采用小波变换去除所述原始反向散射数据中的条带噪声，生成所述反向散射数据
。
[0026]可选地，所述权重自适应层获取的所述先验知识包括与所述反向散射数据对应的水深测量数据和海底特征数据
。
[0027]第二方面，本专利技术提供了一种海底地貌分类模型构建方法，包括：
[0028]获取训练集，所述训练集包括反向散射数据以及对应的海底地貌标签；
[0029]采用所述训练集对预先建立的深度学习模型进行训练，得到海底地貌分类模型；
[0030]其中，所述深度学习模型采用如上所述的深度学习模型
。
[0031]第三方面，本专利技术提供了一种海底地貌分类方法，包括：
[0032]获取目标区域的反向散射数据；
[0033]将所述反向散射数据输入到如上所述的海底地貌分类模型构建方法得到的海底地貌分类模型中，生成海底地貌标签
。
[0034]第四方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的海底地貌分类模型构建方法或者如上所述的海底地貌分类方法
。
[0035]本专利技术的深度学习模型
、
海底地貌分类模型构建方法
、
海底地貌分类方法及计算机可读存储介质的有益效果是：
[0036]输入层获取了反向散射数据之后，由先验知识权重网络提取反向散射数据的海底分类特征，再通过多个稠密连接网络组成的稠密连接网络组深度迭代挖掘海底分类特征，得到具有多尺度表达和高辨识度的深度海底分类特征，因为每个稠密连接网络的每一隐藏层的输出特征均作为输入特征传递到下一隐藏层，由下一隐藏层继续提取特征，所以下一隐藏层的输出特征包含了前面所有层的特征信息，经多次迭代挖掘得到的深度海底分类特
征具有多尺度表达和高辨识度的特性，易于分类，最后由输出层输出的海底地貌标签更加精准
。
通过稠密连接网络在先验知识权重网络提取的海底分类特征基础上再次进行提取特征，可使深度海底分类特征更加精确，从而得到最为精准的分类结果
。
此外，因为稠密连接网络每一隐藏层的输出特征均作为输入特征传递到下一隐藏层，可增加各个隐藏层的输入特征数量和增大训练程度，解决了因数据集稀缺造成的分类精度低问题，达到了更好的拟合效果，增加了深度学习模型的泛化能力
。
附图说明
[0037]图1为本专利技术一个实施例的一种深度学习模型的结构示意图；
[0038]图2为本专利技术另一实施例的一种深度学习模型的结构示意图；
[0039]图3为本专利技术一个实施例的一种海底地貌分类模型构建方法的流程示意图；
[0040]图4为本专利技术一个实施例的一种海底地貌分类方法的流程示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种深度学习模型，其特征在于，包括：输入层
、
先验知识权重网络
、
稠密连接网络组以及输出层，所述稠密连接网络组包括多个稠密连接网络，多个所述稠密连接网络串联，且第一个所述稠密连接网络的输入端与所述先验知识权重网络的输出端连接，最后一个所述稠密连接网络的输出端与所述输出层的输入端连接；所述输入层用于获取反向散射数据；所述先验知识权重网络用于提取所述反向散射数据的海底分类特征；所述稠密连接网络组用于通过多个所述稠密连接网络依次深度迭代挖掘所述海底分类特征，生成深度海底分类特征；所述输出层用于根据所述深度海底分类特征，输出海底地貌标签
。2.
根据权利要求1所述的深度学习模型，其特征在于，所述先验知识权重网络包括权重自适应层和特征提取层；所述权重自适应层用于在训练时获取先验知识，根据所述先验知识和权重分配机制，更新所述特征提取层的权重；更新后的特征提取层用于提取所述海底分类特征
。3.
根据权利要求1所述的深度学习模型，其特征在于，所述稠密连接网络包括特征提取子网络
、
下采样层和剪枝子网络；所述特征提取子网络分别与所述下采样层和所述剪枝子网络连接，所述特征提取子网络包括多个依次设置的隐藏层，各所述隐藏层与其之前所有所述隐藏层分别连接，最后一个所述隐藏层与所述下采样层连接；所述特征提取子网络用于提取所述海底分类特征的海底分类稠密特征；所述下采样层用于降低所述海底分类稠密特征的分辨率，生成所述深度海底分类特征；所述剪枝子网络用于删除所述隐藏层的冗余连接和冗余通道，生成新的特征提取子网络
。4.
根据权利要求1所述的深度学习模型，其特征在于，所述输出层包括全局平均池化层和全连接层，所述全局平均池化层的输入端与所述稠密连接网络的输出端连接，所述全局平均池化层的输出...

【专利技术属性】
技术研发人员：秦绪文，张静炎，陈伟涛，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：