【技术实现步骤摘要】
本专利技术属于遥感图像分类领域，具体涉及一种基于madwa网络(多尺度非对称注意力网络)的高光谱图像像素级分类方法。
技术介绍
1、随着深度学习方法渐渐应用到科研领域中，卷积神经网络已成为高光谱数据分类算法中应用最为广泛的结构。卷积神经网络可以从原始图像数据中逐层次的学习特征信息，通过局部连接有效地提取有用的特征信息。卷积神经网络以监督为导向，不需要手工提取特征，其卷积核参数的共享权重机制，可以有效地减少网络层的参数，降低训练的模型尺寸。这些特点为卷积神经网络在高光谱分类任务的应用中奠定了基础。近年来，三维卷积神经网络因其出色的特征提取能力而成为主流。然而，高光谱的高维数和有限的训练样本限制了其分类精度的提高，且传统的三维卷积神经网络参数较大，增加了计算复杂度和运行时间。其次，虽然诸多深度学习方法在高光谱数据分类任务中取得了较为显著的成果，但是带有精准标记的训练数据是深度神经网络可以取得优秀成果的关键因素。如果训练数据中标签存在标记错误，将大大降低模型在分类上的准确性。由于现有的高光谱数据集中的样本多为人为标注，所以标注过程中存在偏差是可能的。此外，仪器在采集数据时，由于定位或者外界环境导致的偏差(例如光照、阴雨等)，也使精准的标注变得更加困难。因此，在高光谱数据训练样本中，逐样本的标记可能会造成少量的样本被错误的分配给其他的类别。这些外界无法避免的问题导致了训练样本中可能包含一些不精准的标签。所以，在存在噪声标签的背景下，如何训练一个可靠且精度较佳的模型尤为重要。
技术实现思路
2、本专利技术为解决上述技术问题所采取的技术方案是：
3、一种基于madwa网络的高光谱图像像素级分类方法，所述方法具体包括以下步骤：
4、步骤1、获取高光谱图像数据集；
5、步骤2、对获取的高光谱图像数据集中的高光谱图像进行预处理；预处理的具体过程为：
6、对高光谱图像进行切片处理，得到切片处理后的高光谱图像数据集，再将切片处理后的高光谱图像数据集随机划分为训练集和测试集两个部分；
7、步骤3、构建madwa网络，利用训练集对构建的madwa网络进行训练，直至madwa网络在测试集上的分类准确率不再提升或损失函数值不再减小时停止训练，获得训练好的madwa网络；
8、步骤4、利用训练好的madwa网络对待分类的高光谱图像进行分类。
9、进一步地，所述madwa网络的工作过程为：
10、输入的高光谱图像在madwa网络内首先经过卷积核大小为1×1×b的第一个三维卷积层，b是输入的高光谱图像的光谱维度，第一个三维卷积层的输出再分别输入到并行的3个支路内；
11、将第一个三维卷积层的输出经过卷积核大小为1×1×1的第二个三维卷积层，将第二个三维卷积层的输出与3个支路的输出进行叠加；
12、将叠加结果经过多尺度非对称空-谱注意力单元后，多尺度非对称空-谱注意力单元的输出再依次经过平均池化层和flatten展平层，利用flatten展平层输出分类结果。
13、进一步地，所述madwa网络的3个支路分别为：
14、第1个支路：
15、将第1个支路的输入分别作为卷积核大小为1×1×7的第三个三维卷积层、卷积核大小为7×1×1的第四个三维卷积层和卷积核大小为1×7×1的第五个三维卷积层的输入；
16、对第三个三维卷积层、第四个三维卷积层和第五个三维卷积层的输出进行叠加后，将叠加结果分别作为卷积核大小为1×1×7的第六个三维卷积层、卷积核大小为7×1×1的第七个三维卷积层和卷积核大小为1×7×1的第八个三维卷积层的输入；
17、再对第六个三维卷积层、第七个三维卷积层和第八个三维卷积层的输出进行叠加得到叠加结果a，将叠加结果a作为第1个支路的输出；
18、第2个支路：
19、将第2个支路的输入分别作为卷积核大小为1×1×5的第九个三维卷积层、卷积核大小为5×1×1的第十个三维卷积层和卷积核大小为1×5×1的第十一个三维卷积层的输入；
20、对第九个三维卷积层、第十个三维卷积层和第十一个三维卷积层的输出进行叠加后，将叠加结果分别作为卷积核大小为1×1×5的第十二个三维卷积层、卷积核大小为5×1×1的第十三个三维卷积层和卷积核大小为1×5×1的第十四个三维卷积层的输入；
21、再对第十二个三维卷积层、第十三个三维卷积层和十四个三维卷积层的输出进行叠加得到叠加结果b，将叠加结果b作为第2个支路的输出；
22、第3个支路：
23、将第3个支路的输入分别作为卷积核大小为1×1×3的第十五个三维卷积层、卷积核大小为3×1×1的第十六个三维卷积层和卷积核大小为1×3×1的第十七个三维卷积层的输入；
24、对第十五个三维卷积层、第十六个三维卷积层和第十七个三维卷积层的输出进行叠加后，将叠加结果分别作为卷积核大小为1×1×3的第十八个三维卷积层、卷积核大小为3×1×1的第十九个三维卷积层和卷积核大小为1×3×1的第二十个三维卷积层的输入；
25、再对第十八个三维卷积层、第十九个三维卷积层和二十个三维卷积层的输出进行叠加得到叠加结果c，将叠加结果c作为第3个支路的输出。
26、进一步地，所述多尺度非对称空-谱注意力单元的工作过程为：
27、多尺度非对称空-谱注意力单元的输入首先经过并行的4个支路，并行的4个支路的输出分别与多尺度非对称空-谱注意力单元的输入进行叠加，叠加结果再经过卷积核大小为1×1的第十三个逐点卷积层，第十三个逐点卷积层的输出即为多尺度非对称空-谱注意力单元的输出。
28、更进一步地，所述多尺度非对称空-谱注意力单元的4个支路分别为：
29、在第1个支路内，首先将多尺度非对称空-谱注意力单元的输入划分为两个部分，其中，第一部分依次经过卷积核大小为1×1的第一个逐点卷积层、卷积核大小为3×1的第一个深度可分离卷积层、卷积核大小为1×3的第二个深度可分离卷积层；第二部分经过卷积核大小为1×1的第二个逐点卷积层，将第二个逐点卷积层和第二个深度可分离卷积层的输出相乘，相乘结果再经过卷积核大小为1×1的第三个逐点卷积层，第三个逐点卷积层的输出即为第1个支路的输出；
30、在第2个支路内，首先将多尺度非对称空-谱注意力单元的输入划分为两个部分，其中，第一部分依次经过卷积核大小为1×1的第四个逐点卷积层、卷积核大小为5×1的第三个深度可分离卷积层、卷积核大小为1×5的第四个深度可分离卷积层；第二部分经过卷积核大小为1×1的第五个逐点卷积层，将第五个逐点卷积层和第四个深度可分离卷积层的输出相乘，相乘结果再经过卷积核大小为1×1的第六个逐点卷积层，第六个逐点卷积层的输出即为第2个支路的输出；
本文档来自技高网...
【技术保护点】
1.一种基于MADWA网络的高光谱图像像素级分类方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于MADWA网络的高光谱图像像素级分类方法，其特征在于，所述MADWA网络的工作过程为：
3.根据权利要求2所述的一种基于MADWA网络的高光谱图像像素级分类方法，其特征在于，所述MADWA网络的3个支路分别为：
4.根据权利要求3所述的一种基于MADWA网络的高光谱图像像素级分类方法，其特征在于，所述多尺度非对称空-谱注意力单元的工作过程为：
5.根据权利要求4所述的一种基于MADWA网络的高光谱图像像素级分类方法，其特征在于，所述多尺度非对称空-谱注意力单元的4个支路分别为：
【技术特征摘要】
1.一种基于madwa网络的高光谱图像像素级分类方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于madwa网络的高光谱图像像素级分类方法，其特征在于，所述madwa网络的工作过程为：
3.根据权利要求2所述的一种基于madwa网络的高光谱图像像素级分类方法，其特征在于，所述...
【专利技术属性】
技术研发人员：王敏慧，孙亚秀，项建弘，王霖郁，黄丽莲，钟瑜，孙蕊，武雅若，蒋涵宇，王英，徐昊，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
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。