一种基于注意力机制的无人机高光谱农作物快速分类方法技术

本发明专利技术针对无人机高光谱影像，公开了一种基于注意力机制的无人机高光谱农作物快速分类方法，主要包括：使用光谱注意力模块提取通道间的上下文信息；使用尺度注意力模块提取多尺度上下文信息；使用空间注意力模块中融合低层细节特征和高级语义特征；设计边界约束的损失函数进一步增加农作物特征的区分性。本发明专利技术能够适用于海量高维非线性数据结构的双高影像农作物精细分类，极大改善了双高影像农作物分类结果中错分孤立区域现象，是一种快速精确的农作物精细分类方法，可满足无人机载高光谱影像农作物精细分类制图的需求。影像农作物精细分类制图的需求。影像农作物精细分类制图的需求。

【技术实现步骤摘要】
一种基于注意力机制的无人机高光谱农作物快速分类方法


[0001]本专利技术属于遥感图像处理
，特别涉及一种基于空谱多尺度注意力机制和边界约束损失函数的深度学习农作物快速精准识别方法

技术介绍

[0002]无人机搭载的高光谱系统可以获取具有高空间分辨率的高光谱图像(本专利中简称为“双高”影像)。由于低运行成本，高灵活性和实时数据采集的能力，无人机载高光谱数据已成为农业遥感监测的重要数据源。然而，无人机载双高影像针对多类农作物精细分类时仍面临以下挑战。一方面，在双高影像农作物精细分类中，不同农作物之间光谱信息相似，类间差异小；另一方面，随着双高影像空间分辨率的提升，地物的空间异质性逐渐增大，进而加剧地物光谱的变异性，使得同类农作物的类内方差增大。此外，双高影像由于超高的光谱分辨率和空间分辨率使得数据量海量高维，需要一种快速实时的数据处理方法。
[0003]当前的高光谱农作物分类方法有基于统计分析的光谱信息分类、空谱特征融合分类，基于数据驱动的深度学习分类方法。基于统计分析的方法只能学习到浅层特征，并且依赖专家知识的手工特征设计，难以适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的无人机高光谱农作物快速分类方法，其特征在于，包括如下步骤：步骤1，对输入影像进行镜像填充；步骤2，对镜像填充影像进行通道降维；步骤3，构建用于农作物分类的网络模型，包括以下子步骤；步骤3.1，使用光谱注意力模块提取通道间的上下文信息，获得低层细节特征；步骤3.2，使用尺度注意力模块提取多尺度上下文信息，获得高级语义特征；步骤3.3，使用空间注意力模块中融合低层细节特征和高级语义特征；步骤3.4，将空间注意力模块最终输出的特征图输入边界约束的损失函数中，输出loss值；步骤3.5，反向传播loss值更新网络模型参数；步骤4，将待分类的双高影像输入到网络模型，输出预测分类结果，实现农作物的精细分类识别。2.如权利要求1所述的一种基于注意力机制的无人机高光谱农作物快速分类方法，其特征在于：所述步骤2的实现方式如下，将镜像填充后的影像X依次经过一个“卷积层
‑
组归一化层
‑
非线性激活层”的网络结构进行通道降维，输出特征图F，其中组归一化考虑高光谱影像光谱连续性。3.如权利要求1所述的一种基于注意力机制的无人机高光谱农作物快速分类方法，其特征在于：所述步骤3的实现方式如下，步骤3.1.1，设步骤2中通道降维后得到特征图F，将特征图F输入第一个光谱注意力模块中，提取通道维上下文信息特征，光谱注意力模输出特征图Fspectral1，公式如下：Fspectral1＝Conv3
×3stride＝2
(σ(MLP(AvgPool(F))+MLP(MaxPool(F))
×
F)上式中，F表示输入的特征图，Fspectral为光谱注意力模块输出的特征图；σ(
·
)表示sigmoid激活函数，输出每个通道的重要性的权重；MLP(
·
)是一个2层的神经网络，并且上式中2个MLP共享权重；AvgPool(
·
)与MaxPool(
·
)分别表示在空间维进行平均池化和最大池化操作，其输出是一维向量；Conv3
×3stride＝2
是一个步长为2的3
×
3的卷积，其目的是增大卷积感受野，便于提取高层语义特征提取；步骤3.1.2，将步骤3.1.1输出的特征图Fspectral1输入到第二个光谱注意力模块中，第二个光谱注意力模块特征提取方式与步骤3.1.1相同；通过k个串联的光谱注意力模块依次输出Fspectral1,Fspectral2,
…
,Fspectral
k
。4.如权利要求1所述的一种基于注意力机制的无人机高光谱农作物快速分类方法，其特征在于：步骤3.2的实现方式如下，尺度注意力模块用于实现自适应的选择多尺度的上下文信息，其输入为最后一个光谱注意力模块输出的特征图Fspectral
k
，其具体包括5部分；步骤3.2.1，使用四个不同空洞率r1,r2,r3,r4的3
×
3卷积算子对输入特征图Fspectral
k
进行特征不同尺度的上下文信息感知，分别输出四个不同尺度上下文特征图其中，r1,r2,r3,r4根据地物真实分布确定不同的值；步骤3.2.2，将3.2.1输出的不同尺度的上下文特征图进行逐像素加和，输出多尺度特
征图Fscale
sum
，公式如下：步骤3.2.3，将3.2.2输出的聚合特征Fscale
sum
进行空间全局池化来感知全局信息，生成通道维的统计信息，随后连接一个全连接层自适应的选择上下文特征，公式如下：F
cs
＝FC(AvgPool(Fscale
sum
))上式中，AvgPool(
·
)为全局池化，FC表示全连接层，采用ReLU激活函数；步骤3.2.4，通过Softmax应用在步骤3.2.3输出的F
cs
通道维上计算不同尺度上下文信息的权重，具体息的权重，具体其中a
r1
,a
r2
,a
r3
,a
r4
∈R
C
×1分别是多尺度上下文特征分别是多尺度上下文特征的权重，A
r1
,A
r2
,A
r3
,A
...

【专利技术属性】
技术研发人员：胡鑫，钟燕飞，王心宇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：