一种基于残差挤压激励的数据融合分类方法技术

本发明专利技术提供了一种基于残差挤压激励的数据融合分类方法，属于遥感数据地物分类领域。采用编码器解码器结构的网络模型，通过引入挤压激励（squeeze and excitation,SE）和结构化随机失活（DropBlock）的方式构建残差挤压激励块（residual squeeze and excitation，RSE），以改进深度残差网络。本发明专利技术中的残差挤压激励块通过明确卷积特征通道之间的相互依赖关系，增强了网络生成的表示质量，使网络能够更好地捕捉特征，解决了深度学习网络中梯度爆炸和网络退化等问题，提高了模型的泛化能力；通过学习使用全局信息来选择性地强调信息性特征，并抑制不太有用的特征，从而增加了特征的稳健性，进一步提高了遥感数据地物分类的准确度。

【技术实现步骤摘要】

本专利技术涉及异构遥感数据地物分类的领域，尤其涉及一种基于残差挤压激励的数据融合分类方法。

技术介绍

1、随着空间技术的不断发展，遥感数据的获取能力越来越强，数据类型也日益多样化，在这些数据类型中，高光谱影像（hsi）和激光雷达（lidar）数据应用最为广泛。考虑到仅利用单一遥感数据源进行地物分类存在性能瓶颈，因此结合高光谱数据和lidar数据，利用它们在特征层面上的深度融合，以实现多源遥感数据之间的优势互补。

2、高光谱数据提供了丰富的光谱信息和空间信息，而lidar数据则具备精确的空间和高程信息。通过将这两种数据进行深度融合，能够充分利用它们的优势，突破单一遥感数据所面临的性能瓶颈，例如解决“同谱异物”或“同物异谱”的问题，最终达到提高地物分类精度的目的。

3、 long等提出了完全卷积网络（fully convolutional networks, fcn），这一结构取代了原有的cnn结构，使得在不带全连接层的情况下能够对任意大小的图像进行端到端的像素级分类，从而获得更高的准确度。尽管基于fcn的分类模型能够取得较好的效果，但本文档来自技高网...

【技术保护点】

1.一种基于残差挤压激励的数据融合分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于残差挤压激励的数据融合分类方法，其特征在于，遥感数据集预处理的具体过程为：

3.根据权利要求1所述的基于残差挤压激励的数据融合分类方法，其特征在于，特征图提取的具体方法为：

4.根据权利要求3所述的基于残差挤压激励的数据融合分类方法，其特征在于，设计残差挤压激励模块（RSE）的具体方法为：

5.根据权利要求1所述的基于残差挤压激励的数据融合分类方法，其特征在于，设计遥感数据特征提取的双通道SE-ResNet网络的具体方法为：

6....

【技术特征摘要】

1.一种基于残差挤压激励的数据融合分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于残差挤压激励的数据融合分类方法，其特征在于，遥感数据集预处理的具体过程为：

3.根据权利要求1所述的基于残差挤压激励的数据融合分类方法，其特征在于，特征图提取的具体方法为：

4.根据权利要求3所述的基于残差挤压激励的数据融合分类方法，其特征在于，设计残差挤压激励模块（rs...

【专利技术属性】
技术研发人员：张峻恺，杨家志，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：