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