【技术实现步骤摘要】
一种用于遥感场景识别的FGR
‑
AM方法和系统
[0001]本专利技术涉及计算机视觉
，具体而言涉及一种用于遥感场景识别的FGR
‑
AM方法和系统。
技术介绍
[0002]遥感场景分类是指将图像划分为块，并根据块的构成给每个块贴上合适的类别(如居民区、农田、河流、森林等)。这对于典型目标的图像管理、检索、分析、检测和识别具有重要意义。当分辨率提高时，图像变得更加多样化，允许细粒度分类和识别。同时，高分辨率遥感图像的细节更加丰富，图像中的特征更加多样，地面上的物体通常是交错的。同类型图像之间的相似性降低，而同类型图像之间的差异性显著增加。另外，还需要考虑图像中目标之间的旋转和位置关系。这些问题给高精度场景分类带来了挑战。
[0003]高分辨率遥感图像的快速发展给遥感场景带来了新的机遇。但是也存在着更大的挑战，丰富的图像细节信息中包含更多无效的信息。例如公园草地和高尔夫球场这两个场景存在高相似性，对图像进行深层提取后，过于的丰富细节信息反而会影响网络的判断。贪婪分层无监督预训练学...
【技术保护点】
【技术特征摘要】
1.一种用于遥感场景识别的FGR
‑
AM方法，其特征在于，所述FGR
‑
AM方法包括以下步骤：S1，采用依次连接的5个瓶颈卷积模块对输入的原始遥感图像进行特征提取；S2，对第3个和第5个瓶颈卷积模块提取的图像特征进行有效信息增强处理和无效信息抑制处理；S3，分别从第3个瓶颈卷积模块提取的图像特征中同时提取遥感图像包含的轮廓信息和视觉中更感兴趣的特征，以及从第5个瓶颈卷积模块提取的图像特征中提取出遥感图像包含的细节特征；S4，采用双线性细粒度融合特征模块将通道注意力和空间注意力增强特征集合起来，将提取出的遥感图像包含的轮廓信息、视觉中更感兴趣的特征和遥感图像包含的细节特征进行融合，形成具有全局空间和信道一致性表示的双线性向量；S5，采用主成分分析模块将步骤S4生成的多维特征映射到正交的k维特征，对遥感图像进行识别分类。2.根据权利要求1所述的用于遥感场景识别的FGR
‑
AM方法，其特征在于，步骤S1中，所述瓶颈卷积模块的特征提取过程包括以下步骤：S11，将图像输入一个卷积核为1
×
1，激活函数为swish的标准卷积层进行特征提取，通道扩大为基础通道数的n倍；S12，将步骤S11中提取的特征输入一个卷积核为3
×
3，步长为2的Depthwise卷积层进行特征提取，通道数不变；S13，将步骤S12提取的图像特征输入一个卷积核为1
×
1的线性卷积中，对特征图进行降维，降为原来的通道数。3.根据权利要求2所述的用于遥感场景识别的FGR
‑
AM方法，其特征在于，按照处理次序，5个瓶颈卷积模块的基础通道数分别为64、128、256、512和512；其中，第1个和第2个瓶颈卷积模块对应的扩展值n的取值为6；第3个和第4个瓶颈卷积模块对应的扩展值n的取值为4；第5个瓶颈卷积模块对应的扩展值n的取值为2。4.根据权利要求1所述的用于遥感场景识别的FGR
‑
AM方法，其特征在于，步骤S2中，所述对第3个和第5个瓶颈卷积模块提取的图像特征进行有效信息增强处理和无效信息抑制处理的过程包括以下步骤：S21，针对第3个或者第5个瓶颈卷积模块，将相应瓶颈卷积模块所提取的特征分别进行最大池化和平均池化处理，池化后的特征维数为1
×1×
c，其中，c表示通道数，h表示输入特征映射的高，w表示输入特征映射的宽；S22，将最大池化处理和平均池化处理后的两个特征维数为1
×1×
c输入共享的MLP中，MLP的第一层和第二层分别为c/16和c；S23，将所得的两个特征向量进行权重相加，使用sigmoid函数来计算通道注意力的权重矩阵，得到。5.根据权利要求4所述的用于遥感场景识别的FGR
‑
AM方法，其特征在于，步骤S3中，所述分别从第3个瓶颈卷积模块提取的图像特征中同时提取遥感图像包含的轮廓信息和视觉中更感兴趣的特征，以及从第5个瓶颈卷积模块提取的图像特征中提取出遥感图像包含的细节特征的过程包括以下步骤：
S31，将所提取的权重矩阵进行运算后，得到新的权重矩阵；S32，将权重矩阵进行7
×
7的卷积处理，使用sigmoid函数来计算空间注意力的权重矩阵，得到；其中，运算为F，表示元素级乘法；S33，将与进行运算后，得到新的权重矩阵；其中，运算为。6.根据权利要求1所述的用于遥感场景识别的FGR
‑
AM方法，其特征在于，步骤S5中，所述采用主成分分析模块将多维特征映射到正交的k维特征，对遥感图像进行识别分类的过程包括以下步骤：S51，在网络训练阶段，采用全连接层进行训练；S52，在进行检索识别图像时，采用主成分分析模块替代全连接层，将多维特征映射到正交的k维特征。7.一种用于遥感场景识别的FGR
‑
AM系统，其特征...
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。