一种基于深度神经网络的遥感图像地物分类方法技术

本发明专利技术公开了一种基于深度神经网络的遥感图像地物分类方法，该方法通过将局部上下文信息和远距离上下文信息整合在特征图当中，整合不同范围的上下文信息可以提高目标分类的准确性，在一定程度上避免由目标类间差异小、类内差异大带来的错误分类，另一方面，在网络中引入了多维度的通道注意力机制，对各个通道间的关系进行了更为充分的建模，增强了网络的表现力，从而能够改善网络分割性能，提升地物分割准确度。

【技术实现步骤摘要】
一种基于深度神经网络的遥感图像地物分类方法
本专利技术涉及遥感成像
，特别是涉及一种基于深度神经网络的遥感图像地物分类方法。
技术介绍
随着遥感成像技术的不断发展，遥感图像的分辨率逐渐提高，同时获得的遥感图像数量不断增加。高分辨率的遥感图像所包含的地物信息与细节信息更加丰富，同时，也为更加精细的地理信息分析带来帮助。高分辨率的遥感图像在民用方面对城市规划、道路规划方面有着巨大的作用，在军事方面也可应用于国防规划与建设。遥感图像的地物分割是遥感图像信息提取的基础。影像分割是面向对象的影像分析方法的关键步骤，其分割结果质量直接影响着后续影像信息的提取质量。及时、准确地从得到的遥感图像中获取地物信息有着实际需求。以深度学习技术的兴起为界，可以将遥感图像的地物分类划分为两个阶段，即基于传统方法的地物分类和基于深度学习技术的地物分类。传统的遥感图像地物分类方法主要包括：遥感图像的特征提取、遥感图像的特征选择和分类算法三大部分。遥感图像在成像机理上与自然图像存在不同，其包含有丰富的光谱特征，又因为遥感图像的成像高度较高，其包含物体的结构更为复本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的遥感图像地物分类方法，其特征在于，包括：/nS1：对输入遥感图像进行多个层次的卷积层和池化层处理，得到低层特征图和高层特征图，其中，低层特征图包含细节信息，高层特征图包含分类信息；/nS2：将最低层特征图的特征矩阵与特征矩阵的转置矩阵相乘得到第一权重矩阵，并将第一权重矩阵与特征矩阵相乘得到像素间关系的包含局部上下文信息的特征图；/nS3：对最低层特征图进行多个并行的不同比率的池化操作并将所有池化操作结果进行加和处理，得到包含远距离上下文信息的特征图，其中，每个池化操作包含两次相同池化处理，从第二个池化操作开始，最低层特征图与上一个池化操作的第一次池化处理结果相加后再进...

【技术特征摘要】
1.一种基于深度神经网络的遥感图像地物分类方法，其特征在于，包括：
S1：对输入遥感图像进行多个层次的卷积层和池化层处理，得到低层特征图和高层特征图，其中，低层特征图包含细节信息，高层特征图包含分类信息；
S2：将最低层特征图的特征矩阵与特征矩阵的转置矩阵相乘得到第一权重矩阵，并将第一权重矩阵与特征矩阵相乘得到像素间关系的包含局部上下文信息的特征图；
S3：对最低层特征图进行多个并行的不同比率的池化操作并将所有池化操作结果进行加和处理，得到包含远距离上下文信息的特征图，其中，每个池化操作包含两次相同池化处理，从第二个池化操作开始，最低层特征图与上一个池化操作的第一次池化处理结果相加后再进行第一次池化处理，第一次池化处理结果与上一个池化操作的第二次池化处理结果相加后再进行第二次池化处理；
S4：将包含远距离上下文信息的特征图与包含局部上下文信息的特征图进行融合；
S5：将若干低层特征图的特征矩阵的转置矩阵与特征矩阵相乘得到第二权重矩阵，并将第二权重矩阵与特征矩阵相乘得到包含通道间关系的特征图，其中，第一权重矩阵与第二权重矩阵不同；
S6：对若干低层特征图依次进行全局平均池化处理和激活函数层处理，将处理结果与低层特征图相乘得到包含通道权重的特征图；
S7：将包含通道权重的特征图与包含通道间...

【专利技术属性】
技术研发人员：王裕沛，樊嘉禾，师皓，陈亮，
申请(专利权)人：北京理工大学重庆创新中心，北京理工大学，
类型：发明
国别省市：重庆;50