金字塔多尺度卷积和自注意力结合的高光谱图像分类方法技术

金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，涉及高光谱图像领域，具体为金字塔多尺度卷积和自注意力结合的高光谱图像分类方法。本发明专利技术方法：一：对要分类的高光谱图像进行基于数据立方体的分割；二：对分割后的图像采用光谱特征提取网络提取高光谱图像的光谱特征特征图；三：对光谱特征提取网络提取后的特征图采用空间特征提取网络提取高光谱图像的空间特征特征图；四：空间特征特征图经分类网络生成分类结果。本发明专利技术方法没有像传统金字塔卷积那样对输入数据进行分割，而是直接使用完整的输入数据进行特征提取，以保持特征的完整性。征的完整性。征的完整性。

【技术实现步骤摘要】
金字塔多尺度卷积和自注意力结合的高光谱图像分类方法


[0001]本专利技术涉及高光谱图像领域，具体为金字塔多尺度卷积和自注意力结合的高光谱图像分类方法。

技术介绍

[0002]近年来，高光谱图像分类在遥感邻域得到了广泛关注。高光谱图像由高光谱遥感器获得，它包含数百个从可见光到短波红外的连续而狭窄的光谱带。高光谱图像可以有效地表征目标的土地覆盖对象，并已被广泛应用于许多研究领域，如城市规划、环境监测、精细农业、矿产勘探和军事目标。随着遥感技术和高光谱成像技术的快速发展，高光谱图像的获取也越来越容易。然而，对高光谱图像的数字化分析和处理技术仍然发展不足，以像素为单元的高光谱图像分类任务作为高光谱图像处理技术的一个重要问题，引起了研究人员的极大兴趣，近年来有许多学者对此进行了研究。近年来，许多基于深度学习的框架被提出，如循环神经网络(RNN)、卷积神经网络(CNN)、图卷积神经网络(GCNN)和生成式对抗神经网络(GANN)。在这些框架中，CNN框架因其性能优异而被应用于像素级高光谱图像分类。CNN采用卷积核的空间权重共享来降低计算复杂度，并使用激活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于，包括以下步骤：一：对要分类的高光谱图像进行基于数据立方体的分割；二：对分割后的图像采用光谱特征提取网络提取高光谱图像的光谱特征特征图；三：对光谱特征提取网络提取后的特征图采用空间特征提取网络提取高光谱图像的空间特征特征图；四：空间特征特征图经分类网络生成分类结果；其中，步骤二中所述的光谱特征提取网络由3个光谱金字塔卷积块、1个光谱PSA分支块和4个Conv
‑
BN
‑
PReLU卷积块组成；步骤三中所述的空间特征提取网络由3个空间金字塔卷积块、1个空间PSA分支块和2个Conv
‑
BN
‑
PReLU卷积块组成；步骤四中所述的分类网络包含平均池化层、BN层、Mish映射和1个线性层；步骤二光谱特征提取网络采用残差聚合和一次性聚合保留网络的前期特征图信息；步骤三中所述空间金字塔卷积块之间采用一次性聚合；光谱金字塔卷积块中采用伪3D光谱卷积核；空间金字塔卷积块中采用伪3D空间卷积核。2.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：Conv
‑
BN
‑
PReLU卷积块由1个卷积层、1个BN层和1个PReLU激活函数组成。3.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：特征图被送入光谱金字塔卷积块，在3个光谱金字塔卷积块之后，用一次性聚合构造光谱金字塔卷积块的输出；特征图被送入空间金字塔卷积块，在3个空间金字塔卷积块之后，用一次性聚合构造空间金字塔卷积块的输出。4.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：步骤二：图像送入Conv
‑
BN
‑
PReLU卷积块增加特征图的维度，之后特征图送入光谱金字塔卷积块，在3个光谱金字塔卷积块之后用一次性聚合构造光谱金字塔卷积块的输出特征图；光谱金字塔卷积块的输出特征图然后用2个Conv
‑
BN
‑
PReLU卷积块转换尺寸；再通过重塑层送入PSA进行计算，而后再通过重塑层送入1个Conv
‑
BN
‑
PReLU卷积块和重塑层输出光谱注意力特征图；最后将光谱注意力特征图与输入数据x
i
进行残差聚合，即获得光谱特征特征图。5.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：步骤三：光谱特征特征图用1个Conv
‑
BN
‑
PReLU卷积块压缩数据的光谱维度，并增加特征图维度；再...

【专利技术属性】
技术研发人员：葛海淼，潘海珠，刘沫岐，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：