科创中国

新一代信息技术产业,人工智能

该方法使用简单方便，经济成本和人工成本相对较低；设计的解耦搜索结构能够自适应网络学习过程，不仅具备更大的搜索空间，且能够自适应搜索网络神经元。该搜索结构在搜索空间设计和搜索方法上提出了一种解耦策略：对于搜索空间设计，通过提取人工设计DCNN 模型中的典型特点，将其抽象为三个层面：尺度路径、跨层连接、算子操作，之后相对应设计了三层（尺度路径层、跨层连接层、算子操作层）搜索空间；对于搜索方法，遵循基于梯度的方法逐层训练三层超网络，并在每层训练完成后解码生成新的搜索空间。将该结构应用于典型的深度学习网络模型DCNN中，能够有效提升该模型对高分辨率遥感影像地类识别的效率和精准度，通过实验对比，同一遥感影像，采用DCNN和具有解耦搜索结构的DCNN对该影像中的地类（林地、耕地、建筑、水域、道路）进行分类识别，精度平均提升***%，交并比平均提升***%，浮点运算次数平均减少***个单位，与传统的遥感影像分类方法SVM对比，精度平均提升***%，证明了该方法对于深度学习在高分辨率遥感影像地类识别中具有催化作用--提升效率及精确度，同时也说明深度学习这一智能算法在遥感影像应用中的重要意义。

针对深度学习方法在高分辨遥感影像地类识别中存在特征学习不足、专家知识和时间成本较高、计算机资源占用高、面对复杂的地质地貌环境存在“类内方差大、类间方差小”等问题，提出一种新的网络骨架搜索结构，如图 1所示。该结构具有更大搜索空间，同时能够适应足够大输入影像。为了解决海量高分影像数据下人工设计网络骨架的局限性及特征学习过程中对目标环境特征挖掘的不充分性，本章在搜索空间设计和搜索方法上提出了一种解耦策略：对于搜索空间设计，通过提取人工设计DCNN 模型中的典型特点，将其抽象为三个层面：尺度路径、跨层连接、算子操作，之后相对应设计了三层（尺度路径层、跨层连接层、算子操作层）搜索空间；对于搜索方法，遵循基于梯度的方法逐层训练三层超网络，并在每层训练完成后解码生成新的搜索空间。

王昆 陕西地建土地工程技术研究院有限责任公司 无/工程师 张庭瑜 陕西地建土地工程技术研究院有限责任公司 副主任/高级工程师 黎雅楠 陕西地建土地工程技术研究院有限责任公司 无/工程师