基于改进GoogLeNet的遥感图像分类方法*

韩要昌，王 洁，史 通，蔡启航

(空军工程大学防空反导学院，西安 710051)

0 引言

遥感图像就是通过航空或航天器，在远距离非接触的技术手段下获得的图像[1]。遥感图像具有分辨率高、内容丰富等特点，在军事领域中，可利用遥感技术对敌方军事基地进行识别定位和侦查，取得先机，比较典型的目标有机场、港口、舰队和导弹阵地等[2]。文献[3]进行了遥感图像预处理的分析研究，为提供遥感图像识别分类提供了重要参考。文献[1]针对遥感图像中的港口目标，利用CNN(卷积神经网络)进行了分类研究；文献[4]进行了遥感图像中飞机的分类研究。在实际应用中，获得的是某个区域的大范围遥感图像，对于不同类别的众多典型目标，如何将其识别定位，为指挥人员提供决策依据，是军事侦察中的重要课题。

特征提取是图像识别的关键，在早期的图像分类中，必须借助SIFI、HOG的算法提取具有良好区分性的不变矩特征[5]。图像识别则依靠SVM(支持向量机)和BP(反向传播)神经网络等实现图像的分类，受人工提取特征的限制，错误率较高，表现较好时也仅在26%以上[6]。CNN则可以达到更好的特征提取效果，是图像识别和分类的有效手段。

1 遥感图像分类模型的选择

CNN起源于20世纪80年代提出的神经认知机[7-8]，比较经典CNN结构的有LeNet-5、AlextNet、VGG Net、GoogLeNet和ResNet[8-12]等。对于大规模的数据集，网络层数越深，提取和识别的特征就越多，训练和泛化的效果也就越好，但是遥感图像的数据集比较小，并且同一般的RGB图像相比，遥感图像的信息更加丰富。……