深度學習中深度可分離卷積網絡在遙感圖像分類中的優化

摘要：為了優化深度可分離卷積網絡在遙感圖像分類中的應用，解決傳統卷積神經網絡在處理高分辨率遙感圖像時的計算量大、參數冗余等問題。采用模塊化與層次化設計方法，應用數據增強技術與特征工程，通過輕量化模型設計、參數剪枝與量化技術，并設置實驗環境、選取典型數據集，進行實驗設計與評估，比較不同模型的分類準確率。結果顯示，優化后的深度可分離卷積網絡在分類準確率、計算量、訓練時間和能耗方面表現優異。得出結論，優化模型在遙感圖像分類中具備高實用價值，提升了遙感圖像分類的效率和準確性。

關鍵詞：深度學習；深度可分離卷積網絡；遙感圖像分類

一、前言

在遙感圖像分類領域，高分辨率圖像包含了豐富的空間和光譜信息，如何高效地進行特征提取和分類成為研究的核心問題[1]。傳統卷積神經網絡（Convolutional Neural Network，CNN）雖然在圖像分類任務中表現優異，但其龐大的參數量和計算需求在資源受限的環境中成為瓶頸[1-2]。為解決這一問題，深度可分離卷積網絡（Deep-Separable Convolutional Networks，DSCN）因其高效的計算結構和良好的性能，成為遙感圖像分類研究的重要方向[3-5]。基于此，本文探索并優化深度可分離卷積網絡在遙感圖像分類中的應用，旨在克服傳統卷積神經網絡的局限，實現高效、準確的遙感圖像分類。

二、深度可分離卷積網絡設計與實現

（一）網絡結構設計

1.模塊化與層次化設計

在網絡的每一層引入深度卷積模塊和點卷積模塊；每個卷積模塊之后添加批量歸一化層，穩定訓練過程；使用ReLU激活函數增加非線性表達能力；逐層堆疊不同的卷積模塊，從淺層到深層逐步提升特征提取能力。

2.參數優化與訓練策略

應用L2正則化和Dropout技術，防止過擬合，增強模型的泛化能力；選擇正則化系數和Dropout比率，通過實驗確定最佳參數；實施學習率衰減策略，在訓練過程中逐步減少學習率；使用Adam優化器，動態調整學習率以適應不同訓練階段需求；在訓練初期，使用較大學習率快速收斂，在訓練后期，逐步減小學習率細化權重；采用數據增強技術，包括隨機裁剪、翻轉、旋轉等，提高模型對數據變化的魯棒性；在每層激活后進行批量歸一化處理，穩定訓練過程；調整網絡深度和寬度，確保參數最優配置，使模型在保證精度的前提下，計算復雜度和資源消耗最小化。

（二）應用與優化

1.網絡模型的構建與優化

選擇適當的網絡深度和寬度，逐層添加深度卷積和點卷積模塊，構建層次化網絡結構；在每層卷積后加入批量歸一化和ReLU激活函數；引入殘差連接（Residual Connections），改善梯度傳播和特征復用；通過網格搜索和隨機搜索，確定最佳的學習率、批量大小等訓練參數；應用早停策略，在驗證集上監控模型性能，防止過擬合；利用遷移學習技術，將預訓練模型應用于DSCN，縮短訓練時間，提升模型初始性能。

2.分類算法的改進與實現

引入多尺度特征融合技術，在不同層次提取特征并進行融合，捕捉圖像中的細節與全局信息；使用特征金字塔網絡（Feature Pyramid Network， FPN），將各層特征進行融合，提升分類效果；引入注意力機制，賦予圖像中重要區域更高的權重，提升模型對關鍵特征的識別能力；使用SE模塊（Squeeze-and-Excitation Module），對特征進行重標定，增強關鍵特征表達能力；結合交叉熵損失函數和Softmax激活函數，實現多類別分類的準確概率分布；訓練階段應用遷移學習和數據增強技術，利用大規模預訓練模型和多樣化數據，提高分類模型的泛化能力和適應性；引入自監督學習和半監督學習方法，在標注數據有限的情況下，充分利用未標注數據，提升模型的學習效率與分類性能。

三、數據預處理與增強

（一）遙感圖像預處理方法

1.數據增強技術的應用

對原始遙感圖像進行隨機裁剪，通過裁剪不同區域增加圖像的多樣性。應用圖像翻轉技術，包括水平翻轉和垂直翻轉，生成新的圖像樣本。使用旋轉技術，將圖像按特定角度進行旋轉，進一步豐富數據集。實施色彩變換技術，調整圖像的亮度、對比度、飽和度等，模擬不同光照條件下的圖像表現。

2.特征工程與選擇

進行特征提取，通過CNN自動提取高維特征，包括紋理、形狀、光譜信息等。應用主成分分析技術，對高維特征進行降維處理，保留主要信息，去除冗余特征，降低計算復雜度。采用特征選擇算法，篩選出對分類任務最有貢獻的特征，進行特征標準化處理。

（二）模型壓縮與加速技術

采用DSCN，通過分離深度卷積和點卷積，降低卷積操作的計算量。使用低秩分解技術，將高維卷積核分解為多個低維卷積核，實現計算量的顯著減少。

應用全局剪枝技術，通過計算全模型參數的重要性分數，刪除低重要性參數，實現全局參數的優化。采用層級剪枝技術，針對每一層進行參數篩選，保留重要參數，刪除冗余參數。實施結構化剪枝，刪除整個卷積核或神經元，使模型結構更加簡潔。量化技術方面，將浮點數參數轉換為低精度整數參數，減少存儲需求和計算量。

四、實驗結果與分析

（一）實驗設置與數據集

實驗在高性能計算集群上進行，配備多張NVIDIA Tesla V100 GPU。操作系統采用Ubuntu，深度學習框架使用TensorFlow和PyTorch，圖像預處理和特征提取工具使用OpenCV和GDAL。實驗設計包括確定目標和假設，設置多個對比實驗組。評估標準采用分類準確率、精度、召回率和F1分數等指標，綜合評估模型性能。

（二）分類性能分析

1.不同模型分類準確率比較

見表1，展示了DSCN、CNN和ResNet在不同數據集上的分類準確率。

深度可分離卷積網絡在UC Merced Land Use Dataset和AID數據集上的分類準確率分別為94.8%和93.2%，顯著高于傳統CNN和ResNet。這表明DSCN在處理高分辨率遙感圖像時，具備更高的分類精度和泛化能力。

2.模型在不同場景下的表現

DSCN在森林、城市和農田場景下的分類準確率分別為94.1%、95.2%和93.3%，在不同光照條件下的分類準確率分別為93.5%、94.6%和92.7%，在不同季節變化下的分類準確率分別為92.8%、93.9%和91.8%。這表明DSCN在復雜場景和變化條件下仍能保持高分類準確率，具有較強的魯棒性和適應性。

3.深度可分離卷積網絡優勢分析

DSCN的參數量和計算量分別為7.2百萬和2.3 GFLOPs，明顯低于傳統CNN和ResNet，而分類精度卻達到94.0%，顯示出其在計算效率、參數量和分類精度方面的綜合優勢。DSCN通過深度卷積和點卷積分離的結構，顯著減少了參數量和計算量，同時在分類精度上保持領先，特別適用于高效處理高分辨率圖像和復雜場景。

（三）模型復雜度與資源消耗

1.模型參數量與計算量

DSCN的參數量為7.4百萬，而傳統CNN和ResNet的參數量分別為12.7百萬和10.1百萬。計算量方面，DSCN為2.2 GFLOPs，低于CNN的4.6 GFLOPs和ResNet的3.5 GFLOPs。這表明DSCN在參數量和計算量上均顯著低于傳統模型，具備更高的計算效率和資源節省能力。

2.訓練時間與推理速度

DSCN的訓練時間為8.3小時，顯著短于CNN的15.5小時和ResNet的12.8小時。推理速度方面，DSCN為12.4毫秒/圖像，優于CNN的25.7毫秒/圖像和ResNet的18.9毫秒/圖像。DSCN在訓練時間和推理速度上均表現出色，適用于需要快速處理和實時響應的應用場景。

3.存儲需求與能耗分析

DSCN的存儲需求為56.3MB，顯著低于CNN的98.2MB和ResNet的78.5MB。能耗方面，DSCN為8.4Wh，同樣低于CNN的15.7Wh和ResNet的12.3Wh。這顯示出DSCN在存儲和能耗方面的顯著優勢，適用于資源受限的硬件環境，能夠在低功耗條件下高效運行。

（四）結果分析

通過對DSCN、CNN和ResNet在模型參數量、計算量、訓練時間、推理速度、存儲需求和能耗等各方面的數據進行比較分析，可以發現DSCN在多個關鍵指標上顯著優于傳統的CNN和ResNet。DSCN在參數量上比CNN和ResNet分別減少約41.7%和26.7%，計算量上比CNN和ResNet分別減少約52.2%和37.1%，訓練時間上比CNN和ResNet分別減少約46.5%和35.2%。推理速度方面，DSCN比CNN和ResNet分別提升51.7%和34.4%，在存儲需求上比CNN和ResNet分別減少42.6%和28.3%，能耗上比CNN和ResNet分別減少46.5%和31.7%。

五、結論與建議

（一）結論

DSCN在模型參數量、計算量、訓練時間、推理速度、存儲需求及能耗等多個關鍵指標上表現出顯著優勢。具體而言，與CNN和ResNet相比，DSCN的參數量和計算量均減少超過25%，訓練時間及推理速度顯著加快，存儲需求和能耗大幅度降低。上述優勢使得DSCN能夠在保持高分類精度的同時，實現卓越的計算效率與資源節約，適用于資源受限的硬件環境及對實時性要求較高的應用場景。

（二）建議

第一，考慮采用最新的正則化方法與學習率調整策略，結合更豐富的數據增強技術，提高模型的泛化能力；第二，重點引入低秩分解與緊湊卷積核等技術，將高維卷積核結構分散為多個低維卷積核，顯著減少計算復雜度；第三，未來研究可著重探索結合自適應權重調整機制、元學習技術及強化學習等前沿技術，提高DSCN在動態環境中的學習與自適應能力。

參考文獻

[1]楊敏航，陳龍，劉慧，等.基于圖卷積網絡的多標簽遙感圖像分類 [J].計算機應用研究，2021，38（11）：3439-3445.

[2]馮偉，龍以君，全英匯，等.基于SMOTE和深度遷移卷積神經網絡的多類不平衡遙感圖像分類算法研究[J].系統工程與電子技術，2023，45（12）：3715-3725.

[3]牛鑫鑫，孫阿猛，王釬灃，等.基于深度學習的遙感圖像分類研究 [J].激光雜志，2021，42（05）：10-14.

[4]蔣正鋒，何韜，施艷玲，等.融合卷積注意力機制與深度殘差網絡的遙感圖像分類[J].激光雜志，2022，43（04）：76-81.

[5]張港.基于深度學習輕量化卷積神經網絡的遙感圖像場景分類研究[D].南京：南京郵電大學，2022.

作者單位：晉中信息學院

■ 責任編輯：張津平、尚丹