使用TensorFlow1.14实现ResNet进行遥感图像二分类

flow

132 浏览量更新于2024-08-29 收藏 165KB PDF 举报

身份认证购VIP最低享 7 折!

30元优惠券

"基于ResNet和TensorFlow 1.14的遥感图像二分类实现" 在遥感图像处理领域，二分类任务是一项重要的任务，它通常涉及到将遥感图像分为两类，例如区分地面覆盖类型、识别目标等。在这个场景中，ResNet（残差网络）模型被用于解决这个问题，因为它在深度学习图像分类任务中表现出色，能够有效缓解深度神经网络中的梯度消失问题。而TensorFlow 1.14是一个流行的开源机器学习框架，提供了构建和训练神经网络所需的工具。代码中定义了一个名为`_resnet_block_v1`的函数，它是ResNet的一个基础块（BasicBlock）。这个函数接受几个参数：输入数据`inputs`、过滤器数量`filters`、步长`stride`、是否需要投影层`projection`、当前阶段号`stage`、块名称`blockname`以及训练标志`TRAINING`。这些参数在构建ResNet结构时至关重要。首先，函数通过`conv_name_base`和`bn_name_base`定义了卷积层和批量归一化层的命名规则，这有助于在TensorFlow图中保持良好的命名结构。接着，代码进入一个名为"conv_block_stage"的名称空间。如果`projection`为真，那么会添加一个1x1的卷积层（`shortcut`），用于改变通道数以匹配主路径的输出。这一层通过`conv_name_base+'1'`和`bn_name_base+'1'`来命名，分别对应卷积和批量归一化操作。批量归一化层的训练标志`training`与`TRAINING`参数同步，确保在训练和预测阶段有不同的行为。如果`projection`为假，`shortcut`将直接设置为输入`inputs`，即不进行任何操作。然后，函数执行第一个3x3的卷积操作（`conv_name_base+'2a'`），同样使用了批量归一化（`bn_name_base+'2a'`）。在ResNet的基本块中，关键在于残差连接。这里，输出`outputs`经过另一个3x3的卷积层（`conv_name_base+'2b'`）和批量归一化（`bn_name_base+'2b'`），然后通过加法操作与`shortcut`相加，得到最终的块输出。这种设计使得信息可以更顺畅地在深度网络中流动，避免了梯度消失的问题。整个ResNet模型由多个这样的基本块堆叠而成，随着深度的增加，网络能够学习到更复杂的特征。在训练过程中，通过调整`TRAINING`参数，可以切换到训练模式或预测模式。最后，模型的输出将通过一个全局平均池化和全连接层转化为类别概率，从而完成遥感图像的二分类任务。总结来说，这个项目使用了TensorFlow 1.14版本的ResNet模型，针对遥感图像进行了二分类的训练和预测，通过基础块的结构和残差连接实现了深度学习模型的高效训练。

资源详情

资源推荐

resnet+tensorflow1.14+遥感图片二分类遥感图片二分类

import tensorflow as tf

def _resnet_block_v1(inputs, filters, stride, projection, stage, blockname, TRAINING):

# defining name basis

conv_name_base = 'res' + str(stage) + blockname + '_branch'

bn_name_base = 'bn' + str(stage) + blockname + '_branch'

with tf.name_scope("conv_block_stage" + str(stage)):

if projection:

shortcut = tf.layers.conv2d(inputs, filters, (1,1),

strides=(stride, stride),

name=conv_name_base + '1',

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

shortcut = tf.layers.batch_normalization(shortcut, axis=-1, name=bn_name_base + '1',

training=TRAINING, reuse=tf.AUTO_REUSE)

else:

shortcut = inputs

outputs = tf.layers.conv2d(inputs, filters,

kernel_size=(3, 3),

strides=(stride, stride),

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

name=conv_name_base+'2a', reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

outputs = tf.layers.batch_normalization(outputs, axis=-1, name=bn_name_base+'2a',

training=TRAINING, reuse=tf.AUTO_REUSE)

outputs = tf.nn.relu(outputs)

outputs = tf.layers.conv2d(outputs, filters,

kernel_size=(3, 3),

strides=(1, 1),

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

name=conv_name_base+'2b', reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

outputs = tf.layers.batch_normalization(outputs, axis=-1, name=bn_name_base+'2b',

training=TRAINING, reuse=tf.AUTO_REUSE)

outputs = tf.add(shortcut, outputs)

outputs = tf.nn.relu(outputs)

return outputs

def _resnet_block_v2(inputs, filters, stride, projection, stage, blockname, TRAINING):

# defining name basis

conv_name_base = 'res' + str(stage) + blockname + '_branch'

bn_name_base = 'bn' + str(stage) + blockname + '_branch'

with tf.name_scope("conv_block_stage" + str(stage)):

shortcut = inputs

outputs = tf.layers.batch_normalization(inputs, axis=-1, name=bn_name_base+'2a',

training=TRAINING, reuse=tf.AUTO_REUSE)

outputs = tf.nn.relu(outputs)

if projection:

shortcut = tf.layers.conv2d(outputs, filters, (1,1),

strides=(stride, stride),

name=conv_name_base + '1',

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

shortcut = tf.layers.batch_normalization(shortcut, axis=-1, name=bn_name_base + '1',

training=TRAINING, reuse=tf.AUTO_REUSE)

outputs = tf.layers.conv2d(outputs, filters,

kernel_size=(3, 3),

strides=(stride, stride),

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

name=conv_name_base+'2a', reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

outputs = tf.layers.batch_normalization(outputs, axis=-1, name=bn_name_base+'2b',

training=TRAINING, reuse=tf.AUTO_REUSE)

outputs = tf.nn.relu(outputs)

outputs = tf.layers.conv2d(outputs, filters,

kernel_size=(3, 3),

strides=(1, 1),

kernel_initializer=tf.contrib.layers.variance_scaling_initializer(),

name=conv_name_base+'2b', reuse=tf.AUTO_REUSE, padding='same',

data_format='channels_last')

outputs = tf.add(shortcut, outputs)

return outputs

def inference(images, training, filters, n, ver):

"""Construct the resnet model

Args:

images: [batch*channel*height*width] training: boolean

filters: integer, the filters of the first resnet stage, the next stage will have filters*2

n: integer, how many resnet blocks in each stage, the total layers number is 6n+2

ver: integer, can be 1 or 2, for resnet v1 or v2

Returns:

Tensor, model inference output

"""

#Layer1 is a 3*3 conv layer, input channels are 3, output channels are 16

inputs = tf.layers.conv2d(images, filters=16, kernel_size=(3, 3), strides=(1, 1),

name='conv1', reuse=tf.AUTO_REUSE, padding='same', data_format='channels_last')

#no need to batch normal and activate for version 2 resnet.

下载后可阅读完整内容，剩余3页未读，立即下载

weixin_38681218

粉丝: 10
资源: 945

使用TensorFlow1.14实现ResNet进行遥感图像二分类

tensorflow版resnet代码(18,50,101,152)

残差网络图像分类 复现 tensorflow1.2.0以上

resnet二分类/recall_precision评价

resnet152tensorflow2.x实现图片分类

resnet50 tensorflow2

ResNet+Identity Mapping Initialization公式

resnet18 tensorflow版本代码

resnet+fpn

resnet+se+aspp+unet

resnet+vgg1+6

resnet+dct变换

resnet+CIFAR10

CNN、LSTM、Attention、RESnet基于tensorflow实现时序预测

resnet+aspp代码

resnet代码tensorflow

CNN、LSTM、Attention、RESnet基于tensorflow实现时序预测的完整代码

基于resnet+unet的皮肤病变分割

ResNet+Identity Mapping Initialization原理公式，算法伪代码

resnet18 tensorflow

最新资源

残差网络图像分类复现 tensorflow1.2.0以上