【技术实现步骤摘要】
一种基于特征金字塔多级特征融合的遥感影像场景分类方法
本专利技术属于遥感影像场景分类领域，涉及一种基于特征金字塔多级特征融合的场景分类方法。
技术介绍
场景分类是遥感图像理解中具有挑战性的任务之一，其目的是自动为每幅遥感图像分配一个语义标签，以确定其所属的场景类别。遥感场景分类在城市规划、环境监测、军事任务等领域有着广泛的应用。因此，对遥感影像场景分类方法进行研究具有重要意义。一般来说，场景分类任务包括两个步骤：特征提取和标签分类。场景分类方法根据提取的特征可分为两类：基于手工特征的方法和基于语义特征的方法。基于手工特征的方法对图像处理的专业知识要求较高，在具有复杂空间分布的场景中，手工特征的表达能力会受到限制；随着深度学习的迅速发展，基于语义特征的方法(如卷积神经网络，CNN)在性能上显示出了传统方法无法比拟的优越性，它能够有效地提取与图像类别高度相关的高层抽象语义信息。在遥感场景分类任务中，鉴别特征的提取至关重要。鉴别特征是指图像中可以判断一幅图像所属正确类别的特征。相对于自然图像而言，遥感影像的背景更加...
【技术保护点】
1.一种基于特征金字塔多级特征融合的遥感影像场景分类方法，其特征在于，包括以下步骤：/n步骤1，将已知标签类别的遥感影像作为输入，使用经过预训练的ResNet网络初步提取特征，由此得到不同卷积深度的特征图；/n步骤2，以步骤1中不同卷积深度的特征图为基础，使用特征金字塔网络获取多级特征；/n步骤3，在获得多级特征之后，添加注意力模块，所述注意力模块包含两个部分：通道注意力和空间注意力；/n将步骤2中获取的不同级别特征分别输入注意力模块，由此得到增强的多级特征；/n步骤4，将增强的多级特征经过一个特征融合模块，综合所有特征对遥感影像的类别作最终判断，输出对应图像的标签。/n
【技术特征摘要】
1.一种基于特征金字塔多级特征融合的遥感影像场景分类方法，其特征在于，包括以下步骤：
步骤1，将已知标签类别的遥感影像作为输入，使用经过预训练的ResNet网络初步提取特征，由此得到不同卷积深度的特征图；
步骤2，以步骤1中不同卷积深度的特征图为基础，使用特征金字塔网络获取多级特征；
步骤3，在获得多级特征之后，添加注意力模块，所述注意力模块包含两个部分：通道注意力和空间注意力；
将步骤2中获取的不同级别特征分别输入注意力模块，由此得到增强的多级特征；
步骤4，将增强的多级特征经过一个特征融合模块，综合所有特征对遥感影像的类别作最终判断，输出对应图像的标签。
2.根据权利要求1所述的基于特征金字塔多级特征融合的遥感影像场景分类方法，其特征在于：步骤1中使用ResNet初步提取特征，具体为：
首先，将经过预训练的ResNet去除最后的全连接层，将图像缩放到适当的尺寸作为输入，由于ResNet由四个串行的卷积块构成，因此得到四个不同深度的特征图，由浅到深特征图的尺寸依次为：56×56、28×28、14×14和7×7，其中，浅层特征图包含更多的细节纹理信息，但是不具备高级语义；深层特征图包含更为抽象的高级语义信息，但是分辨率的降低会导致细节的损失。
3.根据权利要求2所述的基于特征金字塔多级特征融合的遥感影像场景分类方法，其特征在于：步骤2中使用特征金字塔网络获取多级别特征，具体为；
将步骤1中最后一层输出，即7×7尺寸的特征图，直接被视为一个特征的分支，记作M1；定义一个基本卷积单元，由连续三组重复的卷积核尺寸依次为1×1和3×3的卷积层构成，M1经过基本卷积单元后得到下一级的特征图M2，M2的尺寸同样为7×7；然后将M2上采样至14×14，与ResNet50网络中对应分辨率的特征进行横向连接，经过一个基本卷积单元后得到特征图M3，由于经过了一个上采样，M3的尺寸为14×14；同理，对M3执行同样的操作，依次经过上采样、横向连接和基本卷积单元，可以得到尺寸为28×28的特征图M4；由此，通过步骤2得到四个级别的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。