CN113822207A - 高光谱遥感图像识别方法、装置、电子设备及存储介质 - Google Patents
高光谱遥感图像识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113822207A CN113822207A CN202111137984.4A CN202111137984A CN113822207A CN 113822207 A CN113822207 A CN 113822207A CN 202111137984 A CN202111137984 A CN 202111137984A CN 113822207 A CN113822207 A CN 113822207A
- Authority
- CN
- China
- Prior art keywords
- convolution
- channel
- layer
- module
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001228 spectrum Methods 0.000 claims abstract description 100
- 230000003595 spectral effect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 239000010410 layer Substances 0.000 claims description 138
- 238000012545 processing Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000011800 void material Substances 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质。其中，方法包括预先训练图像识别模型，将待识别高光谱遥感图像输入至图像识别模型，得到图像识别结果。图像识别模型的网络输入组合模块将输入图像的邻域特征和光谱维度合并，并选取网络输入图像块；多尺度双通卷积模块分别利用第一通道、第二通道对网络输入图像块进行固定核卷积和多尺度空洞组卷积操作；卷积特征混合模块将不同卷积过程中的多通道特征进行混合；压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作，有效提升高光谱图像的识别精度。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质。
背景技术
随着高光谱传感器的发展，遥感影像的光谱信息越来越丰富，凭借众多指纹性特征，遥感技术进入到一个崭新阶段。高光谱影像具有高达纳米级的光谱采样间隔，可获得的像元具有上百波段光谱信息，广泛应用于地物分类识别、定量反演、目标检测和生态环境监测等领域。其中，在地物分类识领域，高光谱图像分类是根据其影像所蕴含的光谱特征与空间特征将每个像素赋予唯一类别标签，是目前高光谱遥感技术中最活跃的研究领域，并引起了遥感领域的广泛关注。传统的高光谱图像识别方法基于光谱信息进行分类，输入的信息为一维信息。例如：支持向量机、随机森林的分类方法、K最近邻等方法。近年来，空间特征与光谱特征更多地应用到高光谱图像识别分类中。
随着深度学习在各个领域的成功应用，所属领域技术人员将深度学习引入到高光谱图像识别中，并取得了良好的分类性能。如深度玻尔兹曼机、降噪自编码以及深度卷积神经网络。其中，深度卷积神经网络可自动提取出有效的空间以及光谱的高维特征，常见卷积神经网络有一维卷积、二维卷积、三维卷积的深度神经网络。卷积网络一般基于块(patch)进行运算，在高光谱遥感影像分类中，块的大小设定会导致分类结果失真。由于存在着空间感知细节的能力差、网络深度过度增加将会给网络模型带来梯度消失等问题，同时由于网络结构复杂以及模型训练样本有限导致模型训练不充分，识别精度低下。
发明内容
本申请提供了一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质，有效提升高光谱遥感图像的识别精准度。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种高光谱遥感图像识别方法，包括：
预先训练图像识别模型；所述图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块；
将待识别高光谱遥感图像输入至所述图像识别模型中，得到所述待识别高光谱遥感图像的图像识别结果；
其中，所述网络输入组合模块将所述待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；所述多尺度双通卷积模块利用第一通道对所述网络输入图像块进行固定核卷积操作，利用第二通道对所述网络输入图像块进行多尺度空洞组卷积处理；所述卷积特征混合模块将不同卷积过程中的多通道特征进行混合；所述压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。
可选的，所述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；
所述第一卷积层的卷积核尺寸固定；所述第二卷积层由至少三层卷积通过串联方式构成。
可选的，所述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；所述第一子卷积层、所述第二子卷积层和所述第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
可选的，所述将不同卷积过程中的多通道特征进行混合，包括：
获取所述第一通道输出的第一通道特征信息、所述第二通道输出的第二通道特征信息；
按照通道维度合并所述第一通道特征信息和所述第二通道特征信息；
将合并结果的通道均分为两组，按照等位顺序对各组进行排列；提取相同位置的通道并重新进行排序。
可选的，所述分别在光谱维与空间维上学习目标特征，并自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作的过程，包括：
利用经全局池化层与多层感知器构成的神经网络对空谱特征进行通道维的操作，并经过RELU激活函数层输入至所述全连接层，再经过sigmoid激活函数层输出；
经过通道维池化处理所述空谱特征得到单通道，经单层卷积操作和sigmoid激活激活函数层处理，生成空间注意力；
根据所述空间注意力与通道注意力确定空谱注意力；
根据所述空谱注意力和所述空谱特征，得到通道维缩放特征。
本发明实施例另一方面提供了一种高光谱遥感图像识别装置，包括：
模型预训练模块，用于预先训练图像识别模型；所述图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块；
图像识别模块，用于将待识别高光谱遥感图像输入至所述图像识别模型中，得到所述待识别高光谱遥感图像的图像识别结果；所述网络输入组合模块将所述待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；所述多尺度双通卷积模块利用第一通道对所述网络输入图像块进行固定核卷积操作，利用第二通道对所述网络输入图像块进行多尺度空洞组卷积处理；所述卷积特征混合模块将不同卷积过程中的多通道特征进行混合；所述压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。
可选的，所述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；
所述第一卷积层的卷积核尺寸固定；所述第二卷积层由至少三层卷积通过串联方式构成。
可选的，所述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；所述第一子卷积层、所述第二子卷积层和所述第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述高光谱遥感图像识别方法的步骤。
本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述高光谱遥感图像识别方法的步骤。
本申请提供的技术方案的优点在于，采用空谱邻域数据对网络输入进行组合，输入至由固定核卷积层与串联变式卷积层组成的双通道提取图像块进行多尺度特征分离式学习。不同尺度空洞卷积组合方式提取空谱特征时，可在不增加网络参数量和不消减数据特征的情况下同时提高卷积核的感受野，从而有效解决了空间感知细节的能力差的问题，提取表达能力更强的深层空谱特征，进而提升图像识别精准度。高效结合通道空间注意力机制，从通道和空间域两个方面增强特定图像特征的表现力，学习更多具有代表性的特征，进一步提升了高光谱遥感图像的识别精度。进一步地，整个图像识别模型的结构简单，数据处理速度快，有利于提高图像识别分类效率，有利于进一步推进了基于深度学习方法的高光谱图像分类的广泛应用。
此外，本发明实施例还针对高光谱遥感图像识别方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高光谱遥感图像识别方法的流程示意图；
图2为本发明实施例提供的另一种高光谱遥感图像识别方法的流程示意图；
图3为本发明实施例提供的网络输入组合模块在一个示例性应用场景的结构示意图；
图4为本发明实施例提供的多尺度双通卷积模块在一个示例性应用场景的结构示意图；
图5为本发明实施例提供的卷积特征混合模块在一个示例性应用场景的结构示意图；
图6为本发明实施例提供的压缩扩张空谱注意力机制模块在一个示例性应用场景的结构示意图；
图7为本发明实施例提供的图像识别模型在一个示例性应用场景的结构示意图；
图8为本发明实施例提供的Indian Pines数据集中的一个示意性例子的示意图；
图9为本发明实施例提供的图8对应的真实地物图；
图10为本发明实施例提供的高光谱图像识别装置的一种具体实施方式结构图；
图11为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种高光谱遥感图像识别方法的流程示意图，本发明实施例可包括以下内容：
S101：预先训练图像识别模型。
本实施例的图像识别模型可包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块。网络输入组合模块为网络输入组织阶段，以输入的训练集数据块为基础，其首先进行全局降维，利用随机邻域嵌入方法进行光谱维度降维，降维凭借至光谱维度，得到初始数据，即将合并降维后像素邻域特征与光谱维度组成训练基块。具体的，可对输入影像的邻域特征与光谱维度相互合并之后，通过滑块窗口选取网络输入图像块。多尺度双通卷积模块，设计为双通道网络输入模式，一通道做固定核卷积，另一通道做多尺度空洞组卷积处理，以学习多尺度空谱特征表达。本实施例的空谱特征是指输入的遥感图像的空间特征和光谱特征。多尺度双通卷积模块将输入的训练集数据块作为训练单元，利用固定核卷积操作学习空谱特征基础表达，利用含有不同空洞率的串联式卷积操作实现多尺度空谱特征表达。卷积特征混合模块为特征组合方式，其设计重复混合过程，将不同卷积过程的多通道特征进行混合，也即将双通道学习的深层特征进行合并，利用张量转置方法，将两通道的输出进行对应位置对齐，将相同位置的特征进行提取并组合，然后将组合后的新空谱特征张量反转置回初始形状，增强各阶段卷积表达特征学习能力。举例来说，多尺度双通卷积模块可由2维固定核卷积层与2维3层串联变式卷积层以双通道方式构成，卷积特征混合模块可将合并两个分支的通道维度形成新组合特征，将双通道学习的深层特征进行混合合并，将分离式卷积与卷积合并进行迭代三次，最终输出分离式特征。压缩扩张空谱注意力机制模块完成通道的重要性权重学习和空间注意力，其在光谱维与空间维的两个维度上学习有意义的特征，依次推断出注意力权重，自适应调整空谱特征图，得到最终的空谱特征图。模型训练过程可包括：如图2所示，首先，对获取的原始的高光谱图像样本数据进行归一化且进行数据划分，将这些样本数据划分为训练集、验证集和测试集。其中，可从高光谱图像中随机划分出少量标签数据作为训练集与验证集，剩余标签数据作为测试集，训练集和测试集的比例可以设置为2：1：7。而后利用少量标签数据训练基于图像识别模型，最后结合已训练好的图像识别模型进行分类识别。在深度学习空谱联合网络中，输入数据首先会进行基于随机邻域嵌入(t-Distributed Stochastic NeighborEmbedding)方法进行降维，组成新组合特，传送给多尺度双通卷积模块中，得到空谱特征提取的特征图；随后经过卷积特征混合模块进行高阶特征混合，得到最终的空间特征图，最后经过压缩扩张空谱注意力机制模块校正特征图。当然，本实施例的图像识别模型不可避免的还可包括分类识别模块，分类识别模块由执行降维操作的全连接层和分类函数构成，分类函数例如可为softmax分类函数，分类识别模块将最终空间特征图和光谱特征图相拼接，并利用全连接融合所有特征信息，得到最后光谱空间特征，并传递给softmax函数进行目标分类。其中，softmax函数单元数量为相应类别总数。也就是说，将经上述网络模型的各网络模块提取的空谱特征深度输送至全连接层，全连接层融合所有特征至1维，再传递给softmax函数进行分类。
S102：将待识别高光谱遥感图像输入至图像识别模型中，得到待识别高光谱遥感图像的图像识别结果。
为了提高图像识别精准度，可对获取的待识别高光谱遥感图像先预处理，如去噪、平滑等。然后将待识别高光谱遥感图像输入至上个步骤训练所得的图像识别模型中，图像识别模型的网络输入组合模块向将待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块，并将这些网络输入图像块输入至多尺度双通卷积模块中，多尺度双通卷积模块利用第一通道对网络输入图像块进行固定核卷积操作，利用第二通道对网络输入图像块进行多尺度空洞组卷积处理。卷积特征混合模块将多尺度双通卷积模块在不同卷积过程中的多通道特征进行混合。压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作，在依赖图像识别模型的分类识别函数如softmax函数进行分类，并输出类别预测相应的识别结果，例如可得到分类结果图。
在本发明实施例提供的技术方案中，采用空谱邻域数据对网络输入进行组合，输入至由固定核卷积层与串联变式卷积层组成的双通道提取图像块进行多尺度特征分离式学习。不同尺度空洞卷积组合方式提取空谱特征时，可在不增加网络参数量和不消减数据特征的情况下同时提高卷积核的感受野，从而有效解决了空间感知细节的能力差的问题，提取表达能力更强的深层空谱特征，进而提升图像识别精准度。高效结合通道空间注意力机制，从通道和空间域两个方面增强特定图像特征的表现力，学习更多具有代表性的特征，进一步提升了高光谱遥感图像的识别精度。进一步地，整个图像识别模型的结构简单，数据处理速度快，有利于提高图像识别分类效率，有利于进一步推进了基于深度学习方法的高光谱图像分类的广泛应用。
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1-图2只是一种示意方式，并不代表只能是这样的执行顺序。
在上述实施例中，对于网络输入组合模块的结构并不做限定，本实施例中给出网络输入组合模块对输入数据的一种可选的处理方式，可包括如下步骤：
网络输入组合模块以网络输入组合的单个图像块为输入单元来构建，如图3所示，网络输入组合模块组合初始空谱特征网络输入基块的过程如下：
以高光谱图像块为输入单元，网络输入组合模块首先进行全局降维，利用随机邻域嵌入方法进行光谱维度降维，对降维后的每个像素的前3个维度提取，在此基础上对每个像素给定领域的降维数据合并为一维向量，附加至其光谱维度后，组成新组合特征。同时，对每个像素选取以其为中心的固定大小邻域数据块作为网络输入块进行训练与预测。若将高光谱影像记作HSI(X，Y，S)，其中，X是影像长度，Y是影像宽度，S是影像光谱维度。利用随机邻域嵌入方法对HSI进行降维，得到HSI_down(X，Y，S_down)，其中S_down取降维后的前3维。对整个影像进行滑动窗口处理，对每个像素围绕中心邻域的所有降维后特征进行合并成1维向量，并拼接到对应像素光谱特征向量后，形成HSI_new(X，Y，S_new)，其中S_new的维度为合成后的特征维度。将HSI_new(X，Y，S_new)按步长1进行窗口裁取，输入至网络中。
在上述实施例中，对于如何多尺度双通卷积模块的结构并不做限定，本实施例中给出多尺度双通卷积模块的一种可选的结构实施方式，请参阅图4，可包括：
多尺度双通卷积模块可为由第一卷积层和第二卷积层以双通道形式构成；第一卷积层的卷积核尺寸固定；第二卷积层由至少三层卷积通过串联方式构成。其中，第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；第一子卷积层、第二子卷积层和第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
在本实施例中，以待识别高光谱图像的网络输入图像块为输入单元，多尺度双通卷积模块由2维固定核卷积层与2维串联变式卷积层以双通道方式构成，固定核卷积层由相同大小的卷积核组成，串联变式卷积层的由至少三层卷积通过串联方式组合构成，其中，三层卷积层的卷积核大小应一致，且采用递增空洞卷据率，如第一层空洞卷积率为1，第二层空洞卷积率为3，第三层空洞卷积率为5。基于图4所示的结构，多尺度双通卷积模块提取空谱特征的过程可如下：
(1)并列层第一部分卷积层为2维固定核卷积层。
(2)并列层第二部分卷积层为2维串联变式卷积层，设定至少三层带空洞的卷积提取层，所有层的卷积核大小保持一致，空洞率依次增加。
(3)卷积模块中每一层网络都增加了BN层，同时采用ReLU激活函数，网络采用输入输出等大小的padding方式。
上述实施例对如何将不同卷积过程中的多通道特征进行混合的实施方式并不做限定，本实施例还给出一种可选的实施方式，可包括：
获取第一通道输出的第一通道特征信息、第二通道输出的第二通道特征信息；按照通道维度合并第一通道特征信息和第二通道特征信息；将合并结果的通道均分为两组，按照等位顺序对各组进行排列；提取相同位置的通道并重新进行排序。
在本实施例中，用于实现将不同卷积过程中的多通道特征进行混合的功能模块为卷积特征混合模块，结合图5所示，卷积特征混合模块的工作过程如下：通过合并两个分支的通道维度形成新组合特征，将双通道学习的深层特征进行合并，利用张量转置方法，将两通道的输出进行对应位置对齐，将相同位置的特征进行提取并组合，然后将组合后的新空谱特征张量反转置回初始形状，增强网络特征的学习能力，每次选择1/2进行混合卷积层，通过多个重复上述方式实现空谱特征充分混合。基于如图5所示卷积特征混合模块卷积层其结构，卷积特征混合模块提取空谱特征图的过程可如下：
多尺度双通卷积模块输出的特征可称为：F1(c，x，y)和F2(c，x，y)，将这两个通道特征输出进行特征维度转置，形成新的张量F_t(2，c，x，y)，在第一个维度上进行合并，形成张量F_t(c，2，x，y)，最后合并张量的第2个维度，生成最终混合特征张量F(2c，x，y)，卷积特征混合模块将F(2c，x，y)输送至后续的压缩扩张空谱注意力机制模块进行处理。
上述对如何执行分别在光谱维与空间维上学习目标特征，并自适应调整空谱特征图，并不做限定，本申请还给出了一种可选的实施方式，可包括：
利用经全局池化层与多层感知器构成的神经网络对空谱特征进行通道维的操作，并经过RELU激活函数层输入至全连接层，再经过sigmoid激活函数层输出；经过通道维池化处理空谱特征得到单通道，经单层卷积操作和sigmoid激活激活函数层处理，生成空间注意力；根据空间注意力与通道注意力确定空谱注意力；根据空谱注意力和空谱特征，得到通道维缩放特征。
在本实施例中，压缩扩张空谱注意力机制模块调整空谱特征图的过程如下：以学习的空谱特征图为单位，首先进行通道维的操作，经全局池化与多层感知器构成的神经网络，经过RELU激活函数输入至全连接网络，再经过sigmoid激活输出，完成通道的重要性权重学习。同时面向输入空谱特征，经过通道维池化获得单通道，经单层卷积操作和sigmoid激活，生成空间注意力，将此与通道注意力点乘形成空谱注意力，将结果乘以原始输入特征，得到新通道维的缩放特征。压缩扩张空谱注意力机制模块及其结构可如图6所示，基于提取空谱特征图的过程如下：
(1)以混合后的空谱特征图为单位，首先进行通道维的操作，经过全局平均池经全局池化与多层感知器构成的神经网络，经过RELU激活函数输入至全连接网络，再经过sigmoid激活输出，完成通道的重要性权重学***均池化得到二维的空间特征描述图，经单层卷积操作和sigmoid激活，生成空间注意力，将此与通道注意力点乘形成空谱注意力，将结果乘以原始输入特征，得到新通道维的缩放特征。
为了验证本申请技术方案的有效性，本申请还提供了一个验证性的实施例，可包括：
在本实施例中，将所有训练样本数据按照20％、10％、70％随机划分为训练数据、验证数据、测试数据。基于图7所示的网络结构作为图像识别模型，采用Adam优化方法优化图像识别模型。网络的训练次数为1000次，每批次训练数量设置为60。学习率设置为0.001。同时采用退化学习率的训练策略，其中每250次使学习率减少10％。按照如上参数，基于训练样本数据对网络结构进行训练，得到训练好的图像识别模型。
为了验证本申请的图像识别模型可有效提升高光谱遥感图像的识别精准度，利用图像识别模型对真实的IndianPines的高光谱影像进行分类识别，如图8及图9所示，该影像大小为145行×145列×224波段，去除相应的水汽波段、低信噪比波段，剩余200个可用波进行分类。按如下步骤采用上述实施例所提供的技术方案进行高光谱遥感图像的识别分类：
首先，对于IndianPines高光谱数据集，为了验证算法的有效性，选择了4个基准算法SVM、KNN、1D-CNN、2D-CNN进行比较。
其次，将实验中每种算法的分类结果与地面真实值进行比较，采用总体识别精度(OverallAccuracy，OA)、平均分类精度(AverageAccuracy，AA)、Kappa系数作为性能评价指标。其计算结果见表1所示：
表1高光谱遥感图像识别方法识别性能对比信息
从表1可见，本申请技术方案所提的图像识别模型的各性能评价指标显著高于另外4种基准算法。
由上可知，本实施例采用双通道分离式多尺度卷积与卷积混合操作对高光谱影像数据库连续学习空谱特征，构造空谱注意机制，增强特定区域特征的表示能力，在面对大量冗余信息时，学习更多具有代表性的特征。相比现有技术，具有更高的分类精度与能力，有效解决了卷积神经网络的分类方法存在的空间感知细节的能力差与网络模型性能退化问题，分类精度进一步提升。
本发明实施例还针对高光谱遥感图像识别方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的高光谱遥感图像识别装置进行介绍，下文描述的高光谱遥感图像识别装置与上文描述的高光谱遥感图像识别方法可相互对应参照。
基于功能模块的角度，参见图10，图10为本发明实施例提供的高光谱遥感图像识别装置在一种具体实施方式下的结构图，该装置可包括：
模型预训练模块101，用于预先训练图像识别模型；图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块。
图像识别模块1002，用于将待识别高光谱遥感图像输入至图像识别模型中，得到待识别高光谱遥感图像的图像识别结果。网络输入组合模块将待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；多尺度双通卷积模块利用第一通道对网络输入图像块进行固定核卷积操作，利用第二通道对网络输入图像块进行多尺度空洞组卷积处理；卷积特征混合模块将不同卷积过程中的多通道特征进行混合；压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。
可选的，在本实施例的一些实施方式中，上述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；第一卷积层的卷积核尺寸固定；第二卷积层由至少三层卷积通过串联方式构成。
作为本实施例的一种可选的实施方式，上述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；第一子卷积层、第二子卷积层和第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
可选的，在本实施例的另一些实施方式中，上述图像识别模块1002可用于：获取第一通道输出的第一通道特征信息、第二通道输出的第二通道特征信息；按照通道维度合并第一通道特征信息和第二通道特征信息；将合并结果的通道均分为两组，按照等位顺序对各组进行排列；提取相同位置的通道并重新进行排序。
可选的，在本实施例的其他一些实施方式中，上述图像识别模块1002还可进一步用于：利用经全局池化层与多层感知器构成的神经网络对空谱特征进行通道维的操作，并经过RELU激活函数层输入至全连接层，再经过sigmoid激活函数层输出；经过通道维池化处理空谱特征得到单通道，经单层卷积操作和sigmoid激活激活函数层处理，生成空间注意力；根据空间注意力与通道注意力确定空谱注意力；根据空谱注意力和空谱特征，得到通道维缩放特征。
本发明实施例高光谱遥感图像识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升高光谱遥感图像的识别精准度。
上文中提到的高光谱遥感图像识别装置是从功能模块的角度描述，进一步的，本申请还提供一种电子设备，是从硬件角度描述。图11为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图11所示，该电子设备包括存储器110，用于存储计算机程序；处理器111，用于执行计算机程序时实现如上述任一实施例提到的高光谱遥感图像识别方法的步骤。
其中，处理器111可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器111还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器111可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器111也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器111可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器111还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器110可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器110还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器110在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器110在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器110还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器110不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行漏洞处理方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器110至少用于存储以下计算机程序1101，其中，该计算机程序被处理器111加载并执行之后，能够实现前述任一实施例公开的高光谱遥感图像识别方法的相关步骤。另外，存储器110所存储的资源还可以包括操作***1102和数据1103等，存储方式可以是短暂存储或者永久存储。其中，操作***1102可以包括Windows、Unix、Linux等。数据1103可以包括但不限于高光谱遥感图像识别结果对应的数据等。
在一些实施例中，上述电子设备还可包括有显示屏112、输入输出接口113、通信接口114或者称为网络接口、电源115以及通信总线116。其中，显示屏112、输入输出接口113比如键盘(Keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口114可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线116可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解，图11中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器117。
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效提升高光谱遥感图像的识别精准度。
可以理解的是，如果上述实施例中的高光谱遥感图像识别方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述高光谱遥感图像识别方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种高光谱遥感图像识别方法，其特征在于，包括：
预先训练图像识别模型；所述图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块；
将待识别高光谱遥感图像输入至所述图像识别模型中，得到所述待识别高光谱遥感图像的图像识别结果；
其中，所述网络输入组合模块将所述待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；所述多尺度双通卷积模块利用第一通道对所述网络输入图像块进行固定核卷积操作，利用第二通道对所述网络输入图像块进行多尺度空洞组卷积处理；所述卷积特征混合模块将不同卷积过程中的多通道特征进行混合；所述压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。
2.根据权利要求1所述的高光谱遥感图像识别方法，其特征在于，所述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；
所述第一卷积层的卷积核尺寸固定；所述第二卷积层由至少三层卷积通过串联方式构成。
3.根据权利要求2所述的高光谱遥感图像识别方法，其特征在于，所述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；所述第一子卷积层、所述第二子卷积层和所述第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
4.根据权利要求1所述的高光谱遥感图像识别方法，其特征在于，所述将不同卷积过程中的多通道特征进行混合，包括：
获取所述第一通道输出的第一通道特征信息、所述第二通道输出的第二通道特征信息；
按照通道维度合并所述第一通道特征信息和所述第二通道特征信息；
将合并结果的通道均分为两组，按照等位顺序对各组进行排列；提取相同位置的通道并重新进行排序。
5.根据权利要求1至4任意一项所述的高光谱遥感图像识别方法，其特征在于，所述分别在光谱维与空间维上学习目标特征，并自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作的过程，包括：
利用经全局池化层与多层感知器构成的神经网络对空谱特征进行通道维的操作，并经过RELU激活函数层输入至所述全连接层，再经过sigmoid激活函数层输出；
经过通道维池化处理所述空谱特征得到单通道，经单层卷积操作和sigmoid激活激活函数层处理，生成空间注意力；
根据所述空间注意力与通道注意力确定空谱注意力；
根据所述空谱注意力和所述空谱特征，得到通道维缩放特征。
6.一种高光谱遥感图像识别装置，其特征在于，包括：
模型预训练模块，用于预先训练图像识别模型；所述图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块；
图像识别模块，用于将待识别高光谱遥感图像输入至所述图像识别模型中，得到所述待识别高光谱遥感图像的图像识别结果；所述网络输入组合模块将所述待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；所述多尺度双通卷积模块利用第一通道对所述网络输入图像块进行固定核卷积操作，利用第二通道对所述网络输入图像块进行多尺度空洞组卷积处理；所述卷积特征混合模块将不同卷积过程中的多通道特征进行混合；所述压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。
7.根据权利要求6所述的高光谱遥感图像识别装置，其特征在于，所述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；
所述第一卷积层的卷积核尺寸固定；所述第二卷积层由至少三层卷积通过串联方式构成。
8.根据权利要求7所述的高光谱遥感图像识别装置，其特征在于，所述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；所述第一子卷积层、所述第二子卷积层和所述第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述高光谱遥感图像识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述高光谱遥感图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111137984.4A CN113822207B (zh) | 2021-09-27 | 2021-09-27 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111137984.4A CN113822207B (zh) | 2021-09-27 | 2021-09-27 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822207A true CN113822207A (zh) | 2021-12-21 |
| CN113822207B CN113822207B (zh) | 2024-02-02 |
Family
ID=78921367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111137984.4A Active CN113822207B (zh) | 2021-09-27 | 2021-09-27 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822207B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022748A (zh) * | 2022-01-06 | 2022-02-08 | 深圳市海清视讯科技有限公司 | 目标识别方法、装置、设备及存储介质 |
| CN116051896A (zh) * | 2023-01-28 | 2023-05-02 | 西南交通大学 | 一种轻量化混合张量神经网络的高光谱图像分类方法 |
| CN116630700A (zh) * | 2023-05-22 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于引入通道-空间注意力机制的遥感图像分类方法 |
| CN116773534A (zh) * | 2023-08-15 | 2023-09-19 | 宁德思客琦智能装备有限公司 | 一种检测方法及装置、电子设备、计算机可读介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148103A (zh) * | 2019-04-29 | 2019-08-20 | 中国科学院西安光学精密机械研究所 | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 |
| CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
| CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
| CN111914907A (zh) * | 2020-07-13 | 2020-11-10 | 河海大学 | 一种基于深度学习空谱联合网络的高光谱图像分类方法 |
| KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
| CN112906662A (zh) * | 2021-04-02 | 2021-06-04 | 海南长光卫星信息技术有限公司 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
-
2021
- 2021-09-27 CN CN202111137984.4A patent/CN113822207B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148103A (zh) * | 2019-04-29 | 2019-08-20 | 中国科学院西安光学精密机械研究所 | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 |
| CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
| KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
| CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
| CN111914907A (zh) * | 2020-07-13 | 2020-11-10 | 河海大学 | 一种基于深度学习空谱联合网络的高光谱图像分类方法 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN112906662A (zh) * | 2021-04-02 | 2021-06-04 | 海南长光卫星信息技术有限公司 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| J. ZHU, K. TAN AND Q. DU: "Tri_training for remote sensing classification based on multi-scale homogeneity", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 徐胜军;欧阳朴衍;郭学源;TAHA MUTHAR KHAN;段中兴;: "多尺度特征融合空洞卷积 ResNet遥感图像建筑物分割", 光学精密工程, no. 07 * |
| 潘凯;侯亮;: "基于卷积神经网络的遥感图像降噪", 现代信息科技, no. 12 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022748A (zh) * | 2022-01-06 | 2022-02-08 | 深圳市海清视讯科技有限公司 | 目标识别方法、装置、设备及存储介质 |
| CN116051896A (zh) * | 2023-01-28 | 2023-05-02 | 西南交通大学 | 一种轻量化混合张量神经网络的高光谱图像分类方法 |
| CN116630700A (zh) * | 2023-05-22 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于引入通道-空间注意力机制的遥感图像分类方法 |
| CN116773534A (zh) * | 2023-08-15 | 2023-09-19 | 宁德思客琦智能装备有限公司 | 一种检测方法及装置、电子设备、计算机可读介质 |
| CN116773534B (zh) * | 2023-08-15 | 2024-03-05 | 宁德思客琦智能装备有限公司 | 一种检测方法及装置、电子设备、计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822207B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822207B (zh) | 高光谱遥感图像识别方法、装置、电子设备及存储介质 | |
| CN113822209B (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
| JP6961011B2 (ja) | データ管理のためのシステム及び方法 | |
| CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
| CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| CN113469073B (zh) | 一种基于轻量级深度学习的sar图像舰船检测方法及*** | |
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
| CN111126258A (zh) | 图像识别方法及相关装置 | |
| CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
| CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
| CN110007959A (zh) | 用于深度神经网络的硬件实现的层次化尾数位长度选择 | |
| CN108875924A (zh) | 基于神经网络的数据处理方法、装置、***及存储介质 | |
| CN117616424A (zh) | 用于平衡权重中的稀疏性以用于加速深度神经网络的***和方法 | |
| WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
| CN114494777A (zh) | 一种基于3D CutMix-Transformer的高光谱图像分类方法及*** | |
| CN110795993A (zh) | 一种构建模型的方法、装置、终端设备及介质 | |
| CN113160987B (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN112052881B (zh) | 基于多尺度近端特征拼接的高光谱图像分类模型的装置 | |
| US11657282B2 (en) | Efficient inferencing with fast pointwise convolution | |
| CN115035408A (zh) | 基于迁移学习和注意力机制的无人机影像树种分类方法 | |
| CN111291632B (zh) | 一种行人状态检测方法、装置以及设备 | |
| Thakur et al. | Geometrical attack classification using DCNN and forgery localization using machine learning | |
| CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |