基于Transformer网络的草地多时相高光谱分类方法技术

本发明专利技术属于光谱数据分类技术领域，公开了一种基于Transformer网络的草地多时相高光谱分类方法，利用高光谱成像系统采集多时相草地样本数据，构建具有分层架构的基于Transformer网络的草地多时相高光谱分类模型；利用多头自注意力编码器块对添加有位置编码的草地多时相高光谱数据进行特征提取和光谱波段信息处理；利用基于Transformer网络的草地多时相高光谱分类模型生成多分辨率表示，得到分类结果。本发明专利技术采用高光谱成像技术与Transformer深度网络结合的分类方式能够准确的识别多时相草地的成分，为草地的监测管理提供了一种无损、有效的检测方法。有效的检测方法。有效的检测方法。

【技术实现步骤摘要】
基于Transformer网络的草地多时相高光谱分类方法


[0001]本专利技术属于光谱数据分类
，尤其涉及一种基于Transformer网络的草地多时相高光谱分类方法。

技术介绍

[0002]目前，在过去十年中，草地监测已从实地调查转为基于遥感的方法，但效率有限，识别精度有待提高。多时相高光谱包含草种光谱特征和生长季相差异信息，该数据显示出草地分类的巨大潜力，但最常用的分析方法，如随机森林和支持向量机，需要人工特征工程，而深度学习方法能够直接提取这些特征。Transformer网络在自然语言处理(NLP)和计算机视觉(CV)中显示出强大的处理能力，特别是对长程序列特征。
[0003]纵观历史，草地是维持陆地生态环境的重要自然屏障，也是畜牧业生产的基础。近年来，草地退化是世界各国面临的一个突出问题。动态监测草地分布对于控制草种和加强草地智能管理至关重要。这些过程往往需要通过人工收集样本和研究植被随时间的变化来进行现场评估，由于草地面积大和人力限制，这是低效的。多时相分析是一种有价值的技术，用于监测从土地利用和土地覆盖到作物分类再到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer网络的草地多时相高光谱分类方法，其特征在于，包括：利用高光谱成像系统采集多时相草地样本数据，构建具有分层架构的基于Transformer网络的草地多时相高光谱分类模型；利用多头自注意力编码器块对添加有位置编码的草地多时相高光谱数据进行特征提取和光谱波段信息处理；利用基于Transformer网络的草地多时相高光谱分类模型生成多分辨率表示，得到分类结果。2.如权利要求1所述基于Transformer网络的草地多时相高光谱分类方法，其特征在于，所述基于Transformer网络的草地多时相高光谱分类方法包括以下步骤：步骤一，使用波长范围为400
‑‑
1000nm的高光谱成像仪，从不同时期和不同生长阶段的草地样本中收集不同物种的多时相高光谱数据；步骤二，基于所述多时相高光谱数据构建具有分层架构的基于Transformer网络的草地多时相高光谱分类模型；步骤三，利用所述基于Transformer网络的草地多时相高光谱分类模型生成对草地高光谱时间序列分类有益的多分辨率表示；步骤四，利用草地多时相高光谱分类模型对多时相高光谱草地的特征图进行n维位置编码，同时从光谱中注入序列信息，并利用光谱注意和多头自注意力提取特征信息；输出分类标签。3.如权利要求2所述基于Transformer网络的草地多时相高光谱分类方法，其特征在于，所述基于Transformer网络的草地多时相高光谱分类模型包括：输入嵌入层，添加有位置编码；用于输入多时相高光谱数据；所述位置编码用于进行多时相高光谱数据建模；同时用于进行transformer的位置部分对时间序列场景的自适应；多头自注意力编码器块，包括归一化层、多头自注意力模型以及前馈神经网络层；用于进行高光谱数据的特征提取和光谱波段信息的远程相关性处理；分类层，用于输出类别标签。4.如权利要求3所述基于Transformer网络的草地多时相高光谱分类方法，其特征在于，所述分类层包括：全局平均池化层、多层感知机MLP以及Softmax层；所述多层感知机MLP，由两个全连接层、RELU激活函数以及Dropout层组成；所述Softmax，用于确定多时相高光谱草地的分类；多头自注意力层以及前馈神经网络层中设置有Dropout层。5.如权利要求2所述基于Transformer网络的草地多时相高光谱分类方法，其特征在于，所述利用所述基于Transformer网络的草地多时相高光谱分类模型生成对草地高光谱时间序...

【专利技术属性】
技术研发人员：赵烜赫，潘新，罗小玲，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：