【技术实现步骤摘要】
本专利技术涉及遥感图像特征提取、遥感图像自动分类等，具体的涉及一种联合空洞卷积和cbam的u-net滨海湿地分类方法。
技术介绍
1、传统的滨海湿地多光谱遥感图像分类方法多利用影像的光谱特征信息，影像中的形状、纹理和空间信息易被忽视，如决策树、支持向量机和随机森林等方法，这对于上下文信息和语义信息丰富的滨海湿地遥感影像分类效果有限，此外还易产生“椒盐”现象。
2、基于卷积神经网络的分类方法能够自动提取和学习遥感图像的空间和光谱的更深层特征信息，在滨海湿地遥感分类方面取得了较好的效果，然而传统的卷积神经网络通过连续降采样进行遥感影像特征提取，可能会导致低层次语义信息的丢失。
3、u-net语义分割模型是一种全卷积神经网络模型，因带有跳跃连接的编解码器结构，能够融合不同层次的特征，更好地保留了全局的特征信息。由于每个连续卷积通过单一的感受野提取输入特征，难以捕捉不同尺寸的图像特征，尤其容易忽略小目标地物特征。
4、因此，如何挖掘多光谱遥感图像特征信息以及提取不同尺度的图像特征信息是本领域技术人员亟需解决的
【技术保护点】
1.一种联合空洞卷积和CBAM的U-Net滨海湿地分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的联合空洞卷积和CBAM的U-Net滨海湿地分类方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的联合空洞卷积和CBAM的U-Net滨海湿地分类方法，其特征在于，所述步骤2包括：
4.根据权利要求3所述的联合空洞卷积和CBAM的U-Net滨海湿地分类方法，其特征在于，所述步骤3中，所述解码模块接受编码模块同一层次的空洞卷积SD模块与解码模块下一层次上采样后的特征图，恢复输入特征的空间信息，实现不同层次语义和细节信息
【技术特征摘要】
1.一种联合空洞卷积和cbam的u-net滨海湿地分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的联合空洞卷积和cbam的u-net滨海湿地分类方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的联合空洞卷积和cbam的u-net滨海湿地分类方法，其特征在于，所述步骤2包括：
4.根据权利要求3所述的联合空洞卷积和cbam的u-net滨海湿地分类方法，其特征在于，所述步骤3中，所述解码模块接受编码模块同一层次的空洞卷积sd模块与解码模块下一层次上采样后的特征图，恢复输入特征的空间信息，实现不同层次语义和细节信息的融合。
...【专利技术属性】
技术研发人员：陈琛，禹定峰，任丽容，周茂盛，纪泽禄，范乾毅，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
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。