基于空间注意力引导可变卷积的跨域高光谱图像分类方法技术

本发明专利技术公开了一种基于空间注意力引导可变卷积的跨域高光谱图像分类方法，包括以下步骤：步骤1，结合可变形卷积D

【技术实现步骤摘要】
基于空间注意力引导可变卷积的跨域高光谱图像分类方法


[0001]本专利技术涉及高光谱图像分类
，特别是涉及一种基于空间注意力引导可变卷积的跨域高光谱图像分类方法。

技术介绍

[0002]遥感技术是通过获取各类电磁波的反射和折射并对其处理的一门综合技术。高光谱遥感技术有效地结合了二维成像技术与光谱技术，其具有纳米级的光谱分辨率，能够获得地表物体在0.4
‑
2.5um(即可见光、近红外、短波红外、中红外等)电磁波谱段上几十个至几百个连续谱段的信息。与RGB图像和多光谱图像相比，高光谱遥感技术所得到的高光谱图像不再是一个二维图像，而是同时包含了光谱信息和地表物体空间信息的三维图像，如图1所示，图中展示了两个像素点的光谱曲线，并标注出了Red，Green，Blue三个波段的位置。0.4
‑
2.5um的光谱范围和较高的光谱分辨率使得高光谱图像能够提供地面物体更多的光谱特性，具有全色图像、RGB图像和多光谱图像无法比拟的优势，这也会使得地物光谱的全局特征将更加完整，局部细微特征将更加明显。/>[0003]高光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间注意力引导可变卷积的跨域高光谱图像分类方法，其特征在于：包括以下步骤：步骤1，结合可变形卷积D
‑
Conv和空间注意力得到空间注意力引导可变卷积SAD
‑
Conv，具体方法如下：1)空间注意力在空间注意力的分支中，假设输入特征图为X，通过三个1
×1‑
conv参数更新后分别输出得到第一个特征图Q、第二个特征图K和第三个特征图V，三个1
×1‑
conv共享参数，所以Q＝K＝V，并且Q表示为：Q＝σ(BN(W
·
X+b))其中，BN(
·
)和σ(
·
)表示特征归一化和激活函数，W,b分别表示1
×1‑
conv的权重和偏置；为了表示X中每个像素与其中心像素的相似性，空间注意力矩阵M显示为：其中，Q(i0,j0)是Q的中心像素的特征，K是第二个特征图，||
·
||2表示2
‑
Norm算子，S是输入特征图的大小；因此，空间注意力分支的输出Y
sa
，可设为Y
sa
＝VM其中，V是第三个特征图；2)可变形卷积D
‑
Conv在可变形卷积D
‑
Conv的分支中，通过偏移量改变卷积核的采样位置的过程实现了D
‑
Conv，其主要思想可以表述如下：其中，p0是输出特征的像素，W1(p
n
)是卷积权值，p
n
列举了X中的位置，可以设置为p
n
∈R＝{(
‑
1,
‑
1),(
‑
1,0),
…
,(0,1),(1,1)}，p
offset
表示X中的偏移位置，此公式是为了将相似度低的采样位置与相似度高的采样位置相抵消，其中M为从空间注意力矩阵得到的偏移量，Sort(M)表示将M从小到大排序，分别表示列表中第一个ε％和最后一个ε％的位置，ε是可手动设置的常数；3)空间注意力引导可变卷积SAD
‑
Conv的输出最后，SAD
‑
Conv的输出被表示为Y
SAD
‑
Conv
＝Cat|Y
sa
,θY
D
‑
Conv
|其中，θ是为了控制两个分支的权重而引入的自适应参数，它是一个可训练的参数；步骤2，利用步骤1得到的SAD
‑
Conv组成空间注意力引导可变卷积特征提取网络SAD
‑
ConvNet，SAD
‑
ConvNet网络可以表示为SAD
‑
ConvNet包括三个Block
‑
A、一个Block
‑
B
和一个全连接层Fully connected，Blo...

【专利技术属性】
技术研发人员：赵春晖，朱文祥，赵晨，李凯俊，黄先日，张强，
申请(专利权)人：青岛柯锐思德电子科技有限公司，
类型：发明
国别省市：