一种自适应学习率的遥感影像分类方法

王研， 段琳琳， 杨玲

摘  要： 在对遥感影像进行分类识别处理时，深度学习技术容易陷于局部最优，模型参数往往需要手动调整。提出一种基于模拟退火算法的自适应学习率方法，并建立层叠去噪自动编码器模型。给模型添加一定学习率比例，以实现学习率在迭代中自动改变。通过对比实验以及曲面拟合方法，验证了该方法的有效性、实用性和可靠性。该方法能自动调整学习率参数且能够避免局部最优解，分类精度和效率均有所提高。

关键词： 模拟退火算法; 分类; 自适应; 学习率; 层叠去噪自动编码器

中图分类号：TP751          文献标识码：A     文章编号：1006-8228（2022）06-27-05

A remote sensing image classification method based on adaptive learning rate

Wang Yan1， Duan Linlin2， Yang Ling1

（1. Henan University， Kaifeng， Henan 475004， China; 2. No.1 Senior High School of Xiangcheng）

Abstract： When classifying and identifying remote sensing images， deep learning technologies are easy to fall into a local optimum， and model parameters are often adjusted manually. In this paper， a method of adaptive learning rate based on simulated annealing algorithm is proposed， and a stacked denoising auto encoder model is constructed. The learning rate is given a proportion so that it can change automatically in the iteration. The effectiveness， practicability and reliability of above algorithm are verified through comparative experiments and surface fitting methods. The results indicate that the proposed method can automatically adjust the learning rate and avoid local optimal solutions， which improves the classification accuracy and efficiency.

Key words： simulated annealing algorithm; classification; adaptive; learning rate; stacked denoising auto encoder

0 引言

在遥感影像分类领域，模型构建和参数取值对实验结果有着很大影响。想要深入学习遥感影像特征，就需要依靠不時改变模型参数值来满足[1]。

参数自适应方法的研究在一些领域内已有显著成效，如米龙[2]将自适应调整算法用于改善红豆的筛选分类结果;Shrestha等人[3]应用以权值收敛准则为基础的自适应方法，显著提高了收敛速度;杨德州等人[4]为解决训练速度较慢的问题，建立了结合自适应学习率方法的光热电场DNI预测模型;马伟昌[5]在深度堆叠网络的训练算法中引用自适应学习率思想，改进了脑电信号识别方法。

在遥感影像处理领域，目前大多数研究依旧采用手动调整模型参数的方式，如宋廷强等人[6]根据训练收敛速度，手动调整AA-SegNet网络模型的学习率;雒培磊等人[7]应用超参数人工调优的方式提高影像配准和拼接精度;朱友君[8]使用手动调节超参数的方式进行城市影像道路分割模型训练;郑重等人[9]通过大量实验得到合适的地面塌陷识别参数。……