Page 114 - 《武汉大学学报（信息科学版）》2025年第9期

1842 武 汉 大 学 学 报 （信 息 科 学 版）
而相比于 LN、IN 和 GN 方法等，虽然可以从其他
角度对批次的 BS 进行弥补，但其效果的改善仍
然存在一定的局限性。总的来说，这些方法仅仅
利 用 了 样 本 信 息 ，却 忽 略 了 总 体 信 息 和 先 验 信
息。本文利用贝叶斯统计理论的优势，充分发挥
总体信息和先验信息，将这两种信息与原有的样
本信息进行了有机的融合，克服了 BS 较小的缺
陷，并达到了较高的估计精度。在大样本容量的
条件下，正态分布的均值和方差的共轭分布也是
正态分布，则其样本均值和方差的估算公式分别
同式（9）和式（10）。
对于 BABN 方法，集合 S i 定义为：
S i = { k|k M = i M }
为 区 别 于 批 次 样 本 N，本 文 用 M 来 表 示 总
体。类似于 BN 方法，BABN 对于每个波段计算
样本均值和方差 (( M + N )× H × W )。
由于深度学习模型在训练时通常数据量很
大，样本容量少则上万，甚至上百万，如 ImageNet
数据集，其样本容量约为 1.28 MB。因而，在现有
的深度学习模型框架下，如 PyTorch、Caffe、Ten⁃
sorFlow 等，一般采用指数滑动平均法去进行近
似计算，其优点是不占内存，计算方便。但是其
结果必然不如使用整个训练集计算得到的样本
均值和方差那么准确。然而，贝叶斯方法提供了
一种可以分批进行计算整个训练集的均值和方
差的方法，既不受限于内存的大小，又保证了估
计的均值和方差的估算精度，在一定程度上也能
够增加模型的鲁棒性，减少过拟合的可能性。
1.4 核心算法流程
由于 PyTorch 等深度学习框架提供了自动求
解梯度的功能，BABN 比较容易实现。实际上，
BABN 与 BN 方法的主要不同之处在于样本均值
和方差的计算。输入总体均值 μ 0 和总体方差 σ 0 ，
某一批次的特征集合 Β = { X 1，X 2，⋯，X m }，其中
m 为该批次中的样本容量，可学习的尺度参数 γ
和平移参数 β；输出 { y i = f γβ ( x i ) }。具体的算法
流程如下：
1）依据该批次的样本和式（2），计算得到第 i
个特征的样本均值 μ si；
2）依据该批次的样本和式（3），计算得到第 i
2
个特征的样本方差 σ si；
3）根据总体均值、总体方差、样本均值和样
本方差，依据式（9）计算得到该批次下第 i 个特征
的最终样本均值 μ 1i；
4）根据总体均值、总体方差、样本均值和样
2025 年 9 月
本方差，依据式（10）计算得到该批次下第 i 个特
征的最终样本方差 σ 1i；
2
x i - μ 1i
5）依 据 x ̂ = 计 算 得 到 贝 叶 斯 正 则
i
σ 1i + ε
2
化后的特征；
6）依据 y i ← γx ̂ + β ≡ f γβ ( x i )，加入平移和缩
i
放参数，得到最终的贝叶斯正则化结果；
7）重复上述步骤，依次对该批次下所有的特
征进行贝叶斯正则化处理。
2 实验与分析
本文实验基于 PyTorch 深度学习框架，实验
（13）
平台搭载 Ubuntu 18.04.6 LTS 操作系统，配置 In⁃
tel（R）Core i5-10400F @2.90 GHz 6 核 12 线 程
CPU 处理器，32 GB RAM 和 NVDIA RTX 3060
显卡，显存为 12 GB。
2.1 数据集
近年来，遥感领域利用深度学习技术支持场
景理解、地物目标检测与土地覆盖分类等任务。
随着遥感影像样本数据集的不断增加，其多样性
的特点也日益显现，在尺度、传感器、时相等方面
存 在 较 大 差 异 ［43-45］ 。 本 文 实 验 使 用 NWPU-RE⁃
SISC45 ［16］ 、AID ［46］ 、EuroSAT ［47］ 和 SAT-6 ［48］ 4 种
公开的遥感场景分类数据集和一种公开的自然
场 景 分 类 数 据 集 Mini-ImageNet ［49］ ，对 BABN 方
法进行验证和比较分析。5 种数据集的部分样本
示例如图 1 所示，基本情况对比见表 1。
1）NWPU-RESISC45 数 据 集 是 西 北 工 业 大
学发布的一个用于遥感图像场景分类的大规模
公开数据集。该数据集包含 45 个场景类别，每个
类别有 700 张图像，总计 31 500 张图像，每张图像
的分辨率为 256×256 像素。
2
2）AID 数据集是一个大规模航拍图像数据
集，来自 Google Earth 影像，由武汉大学和华中科
技大学于 2017 年共同发布。该数据集包含 30 种
航空场景类型，每个场景类别约有 220~420 张图
像，总计约 10 000 张图像，每张图像的大小约为
600×600 像素。
3）EuroSAT 数据集由哥白尼地球观测计划
提供的 Sentinel-2 卫星拍摄，覆盖 13 个光谱波段，
包 含 10 类 场 景 共 计 27 000 张 图 像 ，图 像 大 小 为
64×64 像素，空间分辨率达到 10~30 m。本文实
验仅使用该数据集的可见光波段影像数据。
4）SAT-6 数据集的图像是从美国国家农业
影像计划数据集中提取的，该数据集由跨越美国