本发明专利技术提供了一种结合空谱语义学习和解耦Transformer的高光谱图像分类方法和产品，涉及高光谱图像分类技术领域，包括：获取高光谱图像样本数据集并划分为训练集和测试集，将训练集中每个训练样本扩充出样本对，将样本对输入至孪生网络的每个对偶分支，提取低层光谱空间特征，通过高斯语义嵌入模块捕获高光谱图像的高级语义特征，并引入解耦的Transformer对语义维度特征建模，得到压缩后的特征，计算特征的概率类别，以最大概率对应的类别为最终分类结果，得到高光谱图像分类结果。通过多模块协作，提高了高光谱图像分类网络的识别能力，在实际操作中各类别选取少量样本即可达到较好的分类效果，极大降低数据标注的成本，具有较强的信息提取能力。
【技术实现步骤摘要】
本专利技术涉及高光谱图像分类，特别是涉及一种结合空谱语义学习和解耦transformer的高光谱图像分类方法及产品。
技术介绍
1、高光谱图像通常是由具有高光谱成像装置的无人机等飞行器拍摄的特殊图像，比普通图像包含有更多波段数和更高的分辨率，且在某一波段内可以连续成像，包含有地物大量的空间信息和光谱信息，在对地观测领域应用广泛，在经济、农业、环境监测方面具有重要作用。
2、然而，在高光谱图像分类领域，由于高光谱图像很强的时空异质性和丰富的光谱性，很难对覆盖范围广、多时相、多光谱、多分辨率的样本进行注释，由于人工标记困难和耗时的性质，通常很难获得大量的标记样本。因此，许多研究工作都集中在利用较少的标记样本构建高光谱图像分类的深度学习模型。
3、因此，亟需一种较少标记样本构建的高光谱图像分类方法。
技术实现思路
1、本专利技术提供一种结合空谱语义学习和解耦transformer的高光谱图像分类方法及产品，以解决利用较少的标记样本构建高光谱图像分类网络的问题。
>2、第一方面，本专本文档来自技高网...
【技术保护点】
1.一种结合空谱语义学习和解耦Transformer的高光谱图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据增强处理为基于所述训练集中每个训练样本的像素中心点生成大小不同的第一样本块和第二样本块，将所述每个训练样本生成的第一样本块和第二样本块随机组合成大小不同的样本对。
3.根据权利要求1所述的方法，其特征在于，所述采用高斯语义嵌入模块对所述光谱空间信息特征进行映射，得到所述光谱空间信息特征的语义序列，包括：
4.根据权利要求1所述的方法，其特征在于，所述语义标记嵌入序列Tin，定义如下:
5.根...
【技术特征摘要】
1.一种结合空谱语义学习和解耦transformer的高光谱图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据增强处理为基于所述训练集中每个训练样本的像素中心点生成大小不同的第一样本块和第二样本块，将所述每个训练样本生成的第一样本块和第二样本块随机组合成大小不同的样本对。
3.根据权利要求1所述的方法，其特征在于，所述采用高斯语义嵌入模块对所述光谱空间信息特征进行映射，得到所述光谱空间信息特征的语义序列，包括：
4.根据权利要求1所述的方法，其特征在于，所述语义标记嵌入序列tin，定义如下:
5.根据权利要求1所述的方法，其特征在于，所述...
【专利技术属性】
技术研发人员：刘帅，高木兰，邓力玮，梅达，蒋承骥，徐佳，
申请(专利权)人：西安交通大学，
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。