（上）基于机器学习的图像识别——遥感图像分类（LeNet-5；AlexNet；VGGNet；GoogLeNet；

遥感图像识别：

专业词汇：

kernel：卷积

目录

遥感图像分类 1.1 LeNet-5

视频来源：

任务：使用什么网络实现遥感图像的分类

LeNet-5结构：

遥感图像分类 1.2 AlexNet（冠军）

视频来源：

1主要i内容：

AlexNet结构：

遥感图像分类 1.3 VGGNet（亚军）

视频来源：

主要内容：

VGGNet结构：

遥感图像分类 1.4 GoogLeNet

视频来源：

GoogLeNet结构：

 遥感图像分类 1.5 ResNet

视频来源：

ResNet结构:

---

遥感图像分类 1.1 LeNet-5

视频来源：

遥感图像分类 1.1 LeNet-5_哔哩哔哩_bilibili

任务：使用什么网络实现遥感图像的分类  基于MNIST的遥感数据集LeNet-5搭建，训练，保存LeNet-5调用和预测 LeNet-5结构：

基于MNIST的遥感数据集：

数据集放在了评论区，用来进行验证

从CSV文件中载入数据（数据采集）：

读取CSV 文件转换成数组读取图片读取标签维度改变         4：05

总结：

数据采集  ： 按照列读取CSV 文件  标签信息  图片信息  维度处理  （和之前一样）建立模型： 和上节课一样模型训练： 增加轮数以达到更好的训练效果（max=80%）模型测试： 通过画图的方式，可视化正确率，遇到瓶颈 对预测的位置信息转换成对应名称（通过数据方式实现）

---

遥感图像分类 1.2 AlexNet（冠军） 视频来源：

遥感图像分类 1.2 AlexNet_哔哩哔哩_bilibili

1主要i内容： 遥感图像的载入AlexNet结构与创新AlexNet搭建，训练，预测 AlexNet结构：

去网上找遥感图片

载入数据：

按照路径读取（相对路径）预处理 归一化——水平翻转4:04——批大小——随机——尺寸——独热编码基础知识： 步长 Stride & 加边 Padding &参数 Param 卷积后尺寸=(输入图像大小-卷积核大小+加边像素数)/步长 +1 Tensorflow默认:Padding='valid'(丢弃)，strides=1 设置:Padding=same':保证输出和输出尺寸不变，自动设置填充 参数: 卷积层:(卷积参数(卷积核各部分)+偏置参数)*卷积核的个数 池化层:不需要训练参数 全连接层:神经元连接权重+偏置参数

模型搭建：ReLU&Dropout

模型训练：learning_rate&batch_size

---

遥感图像分类 1.3 VGGNet（亚军） 视频来源：

遥感图像分类 1.3 VGGNet_哔哩哔哩_bilibili

主要内容： VGGNet 结构与创新VGGNet训练与预测迁移学习训练VGGNet VGGNet结构：

数据载入方式和上节课一样

感受视野 Receptive Field 定义:输出层一个元素对应输入层区域的大小。 计算:感受视野=(上一层感受视野-1)*步长 +卷积核尺寸 VGGNet提出:

堆叠两个3*3卷积核替代一个5*5卷积核 堆叠三个3*3卷积核替代一个7*7卷积核。 相同感受视野，训练参数量减少。

迁移学习：

---

遥感图像分类 1.4 GoogLeNet 视频来源：

遥感图像分类 1.4 GoogLeNet_哔哩哔哩_bilibili

 GoogLeNet结构GoogLeNet创新GoogLeNet训练与预测 GoogLeNet结构：

Inception模块:

输入为28*28*192(*不考虑偏置项) 直接32个5X5                                                  卷积参数:5*5*192*32=105600 先使用16个1X1卷积降维，再使用32个5X5   卷积参数:1*1*192*16+5*5*16*32=15872

Padding问题: TensorFlow中 padding= 'same' 输出图像的长和宽=输入图像/步长(结果向上取整) *如果步长为1，卷积、池化操作不改变图像的长宽。

参考NIN网络：

使用全局平均化代替全连接层，避免全连接层带来的大量训练参数

---

遥感图像分类 1.5 ResNet 视频来源：

遥感图像分类 1.5 ResNet_哔哩哔哩_bilibili

ResNet结构:

  Batch Normalization 批量归一化： 每一层输入的时候，先做一个归一化处理，然后在进入网络的下一层 避免梯度消失和爆炸，训练更稳定

退化现象（不同于过拟合）： 网络层数越多，训练集loss逐渐下降，之后趋于饱和，继续增加网络深度的话，训练集loss反而更大  

捷径分支：

模型搭建：

残差模块： 

最后附上本人粗浅的见解，感觉以上这五个网络结构可以看成处理（机器学习图像）/（遥感图像）分类的五种（数学方法）/（函数方法）