遥感场景分类方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术属于遥感图像技术领域，公开了一种遥感场景分类方法、装置、终端设备及存储介质。所述方法包括：获取遥感场景图像集，并将遥感场景图像集输入预设卷积神经网络模型进行特征提取，以获得顶层语义特征集及浅层外观特征集；将顶层语义特征集通过密集连接进行特征聚合，以获取第一卷积特征；对浅层外观特征集进行特征聚合，以获取第二卷积特征；将第一卷积特征与第二卷积特征通过双向门控连接进行特征补偿，以获取目标卷积特征；根据目标卷积特征对遥感场景图像集中的遥感场景图像进行分类。利用特征聚合，通过浅层外观特征与顶层语义特征进行互补，防止了分类特征聚合阶段中的浅层卷积特征信息丢失。

【技术实现步骤摘要】
遥感场景分类方法、装置、终端设备及存储介质
本专利技术涉及遥感图像
，尤其涉及一种遥感场景分类方法、装置、终端设备及存储介质。
技术介绍
由于RS(RemoteSensing，遥感)场景包含复杂的不同类型的土地覆盖物，因此对RS场景分类是一项艰巨的任务，侧重于使用大量的工程技能和领域专业知识来设计各种人类工程特征，例如：颜色、纹理、形状、空间、光谱信息或它们的组合。RS场景分类往往存在通过光谱、形状或纹理才能更好区分不同场景的情况。目前，大多数工作都采用微调的预训练的CNN(ConvolutionalNeuralNetworks，卷积神经网络)与聚合不同层的卷积特征来对复杂的遥感场景进行分类。在聚合不同层卷积特征时，却很少关注由于需要将各层的卷积特征统一成一个尺寸，导致在聚合不同层的卷积特征时浅层卷积特征丢失了太多信息，而浅层卷积特征中是遥感场景外观特征较丰富的一部分。
技术实现思路
本专利技术的主要目的在于提供一种遥感场景分类方法、装置、终端设备及存储介质，旨在解决如何减少遥感场景分类时浅层卷积特征信息丢失的技术问题本文档来自技高网...

【技术保护点】
1.一种遥感场景分类方法，其特征在于，所述方法包括：/n获取遥感场景图像集，并将所述遥感场景图像集输入预设卷积神经网络模型进行特征提取，以获得顶层语义特征集及浅层外观特征集；/n通过密集连接对所述顶层语义特征集进行特征聚合，以获取第一卷积特征；/n对所述浅层外观特征集进行特征聚合，以获取第二卷积特征；/n通过双向门控连接对所述第一卷积特征与所述第二卷积特征进行特征补偿，以获取目标卷积特征；/n根据所述目标卷积特征对所述遥感场景图像集中的遥感场景图像进行分类。/n

【技术特征摘要】
1.一种遥感场景分类方法，其特征在于，所述方法包括：
获取遥感场景图像集，并将所述遥感场景图像集输入预设卷积神经网络模型进行特征提取，以获得顶层语义特征集及浅层外观特征集；
通过密集连接对所述顶层语义特征集进行特征聚合，以获取第一卷积特征；
对所述浅层外观特征集进行特征聚合，以获取第二卷积特征；
通过双向门控连接对所述第一卷积特征与所述第二卷积特征进行特征补偿，以获取目标卷积特征；
根据所述目标卷积特征对所述遥感场景图像集中的遥感场景图像进行分类。


2.如权利要求1所述的遥感场景分类方法，其特征在于，所述获取遥感场景图像集，并将所述遥感场景图像集输入预设卷积神经网络模型进行特征提取，以获得顶层语义特征集及浅层外观特征集的步骤，具体包括：
获取遥感场景图像集，并将所述遥感场景图像集输入预设卷积神经网络模型进行场景特征提取，以获取场景特征集；
从所述场景特征集选取第一预设数量的顶层语义特征，并根据所述顶层语义特征生成顶层语义特征集；
从所述场景特征集选取第二预设数量的浅层外观特征，并根据所述浅层外观特征生成浅层外观特征集。


3.如权利要求2所述的遥感场景分类方法，其特征在于，所述通过密集连接对所述顶层语义特征集进行特征聚合，以获取第一卷积特征的步骤，具体包括：
对所述顶层语义特征集对应的卷积层进行遍历，获取遍历到的当前卷积层对应的当前补偿特征；
将所述当前补偿特征与下一卷积层对应的顶层语义特征通过密集连接进行特征聚合，获得次级补偿特征；
判断所述下一卷积层是否为聚合终止卷积层，若是，则将所述次级补偿特征作为第一卷积特征。


4.如权利要求3所述的遥感场景分类方法，其特征在于，所述对所述浅层外观特征集进行特征聚合，以获取第二卷积特征的步骤，具体包括：
根据ReLU激活函数对所述浅层外观特征集进行处理；
对处理后的浅层外观特征集所包含的浅层外观特征进行算数聚合，以获取第二卷积特征。


5.如权利要求4所述的遥感场景分类方法，其特征在于，所述对处理后的浅层外观特征集所包含的浅层外观特征进行算数聚合，以获取第二卷积特征的步骤，具体包括：
获...

【专利技术属性】
技术研发人员：宋中山，梁家锐，郑禄，帖军，刘振宇，汪红，周珊，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北;42