【技术实现步骤摘要】
本专利技术涉及计算机视觉和数字图像处理，尤其涉及一种基于多感受野多跳图注意神经网络的图像分类方法。
技术介绍
1、卷积神经网络(cnn)通过学习特征表示，用于高光谱图像(hsi)分类已经取得了很好的进展。与此同时，图卷积网络(gcns)也通过使用未标记的数据，广泛而明确地利用相邻节点之间的相关性而引起了相当大的关注。
2、然而传统的卷积神经网络模型通常使用固定大小的平方卷积核，在处理不规则模式或具有不同尺度的高光谱数据时可能不够灵活，可能导致模型无法充分捕捉到数据中的空间和光谱特征。基于图神经网络(gnn)的方法由于耗时长、信息描述效率低、数据处理能力差等原因，尚未得到广泛应用。
技术实现思路
1、本专利技术主要解决的问题是提供一种基于多感受野多跳图注意神经网络的图像分类方法，解决利用现有神经网络处理高光谱图像分类任务时，存在特征提取过程中光谱上下文信息丢失、类别不平衡、效率低、耗时长且处理效果不好的问题。
2、为解决上述技术问题，本专利技术采用的一个技术方案是提供...
【技术保护点】
1.一种基于多感受野多跳图注意神经网络的图像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图像分类方法，其特征在于，所述多感受野光谱空间提取模块包括三层卷积层，每一层卷积层均包括第一尺度卷积块和第二尺度卷积块，分别用于对同一尺度的特征进行第一尺度卷积和第二尺度卷积；在将所述原始特征输入多感受野光谱空间提取模块，得到光谱空间特征的步骤中，包括：
3.根据权利要求2所述的图像分类方法，其特征在于，在进行第一尺度卷积和第二尺度卷积过程中，包括：
4.根据权利要求1所述的图像分类方法，其特征在于，所述多跳图注意力网络包括编码...
【技术特征摘要】
1.一种基于多感受野多跳图注意神经网络的图像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图像分类方法，其特征在于，所述多感受野光谱空间提取模块包括三层卷积层，每一层卷积层均包括第一尺度卷积块和第二尺度卷积块，分别用于对同一尺度的特征进行第一尺度卷积和第二尺度卷积；在将所述原始特征输入多感受野光谱空间提取模块，得到光谱空间特征的步骤中，包括：
3.根据权利要求2所述的图像分类方法，其特征在于，在进行第一尺度卷积和第二尺度卷积过程中，包括：
4.根据权利要求1所述的图像分类方法，其特征在于，所述多跳图注意力网络包括编码模块、解码模块和多跳图注意力模块；在将所述原始特征和超像素特征输入多跳图注意力网络，得到多尺度超像素级特征的步骤中，包括：
5.根据权利要求4所述的图像分类方法，其特征在于，所述多跳图注意力模块包括三层跳图注意力模块，每一层跳图注意力模块均包括节点注意力模块、图边注意力模块和融合注意力模块，所述节点注意力模块提取节...
【专利技术属性】
技术研发人员：黄伟，高璐，刘璇，殷君茹，张珂，
申请(专利权)人：郑州轻工业大学，
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。