【技术实现步骤摘要】
本专利技术涉及图像处理、高光谱遥感图像分类，具体涉及一种基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法。
技术介绍
1、高光谱图像中包含着多个波段的图像，每个波段都会对应一个光谱反射率，这就使得高光谱图像中包含着丰富的空间特征和光谱特征，在遥感图像中，可以通过分析每个波段的光谱反射率，获取到不同地物目标的光谱特征，从而实现对地物的分类。高光谱遥感被广泛应用在各个领域，如环境监测、军事目标检测、医疗诊断等。
2、高光谱图像分类有许多可以应用的技术，传统的机器学习算法如支持向量机(svm)、随机森林(random forest)等，可以通过特征提取的方式训练分类模型，将图像中的光谱特征与实际分类信息进行关联，从而实现对高光谱图像中地物的分类。但此类方法需要进行手动特征提取，且在进行特征关联的过程中会损失一部分光谱特征信息。
3、随着深度学习技术的发展和完善，卷积神经网络和图卷积网络也逐渐被应用到高光谱图像分类任务当中。卷积神经网络(cnn)在图像处理领域是一种常用的深度学习数据处理方法，在高光谱图像分类任务...
【技术保护点】
1.一种基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，步骤S2中的注意力机制模块CE_A和注意力机制模块CE_B均由CA注意力机制模块和ECA注意力机制模块构成；注意力机制模块CE_A将空间特征加入到通道信息中，降维后的数据会分别输入至CA注意力机制模块和ECA注意力机制模块，最终输出融合特征。
3.根据权利要求1所述的基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，步骤S2中的CA注意力机...
【技术特征摘要】
1.一种基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，步骤s2中的注意力机制模块ce_a和注意力机制模块ce_b均由ca注意力机制模块和eca注意力机制模块构成；注意力机制模块ce_a将空间特征加入到通道信息中，降维后的数据会分别输入至ca注意力机制模块和eca注意力机制模块，最终输出融合特征。
3.根据权利要求1所述的基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，步骤s2中的ca注意力机制在进行特征处理时会分为x和y两个方向；在x方向，数据以h×1×c1的形式进行平均池化操作，其中h为输入特征高度、1为输入特征宽度、c1为输入特征维度；同时在y方向，数据以1×w×c1的形式进行平均池化操作，其中1为输入特征高度、w为输入特征宽度、c1为输入特征维度，设经过两个平均池化操作的特征层分别为和对两个特征层进行张量拼接操作，表示为拼接后的特征会依次经过卷积核大小为1×1的卷积层、批量归一化层和leakyrelu激活函数层，其中批量归一化层简写为bn层；处理后的特征会再次分成x方向的特征张量和y方向的特征张量，两个张量均经过1×1的卷积层和sigmoid函数层，表示为和最后将和与输入特征进行特征相乘操作，得到输入数据的特征映射在(i,j)位置的值为其中，i∈(0,h)，表示特征高度为i，j∈(0,w)，表示特征宽度为j，表示特征相乘。
4.根据权利要求1所述的基于图卷积神经网络和注意力机制的双分支高光谱图像分类方法，其特征在于，步骤s2中的eca注意力机制输入特征维度为h×w×c1，首先采用全局平均池化操作将输入特征维度变为1×1×ci，其中i为特征深度的层数；其次应用卷积核大小为1×1的卷积将每层深度维度信息与相邻层深度维度信息进行权重共享；再次，经过sigmoid函数层，处理后的特征张量维度为1×1×cs，其中，s表示特征深度的层数；最后将特征与输入特征相乘，得...
【专利技术属性】
技术研发人员：于祥跃，李宁，吴迪，李峥，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
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。