一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法技术

本发明专利技术公开了一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，在空间和光谱维度上同时抽取HSI和LiDAR数据在频域和空间域内的细节特征和非冗余全局上下文特征，为了更好地获取空间和光谱特征的细节信息，首先引入光谱‑空间频域特征提取模块，继而在传统Transformer编码器模块之后插入了基于头选择池化Transformer的自适应全局‑局部特征提取模块，最后，引入具有局部特征和全局类别标记的多模态特征融合分类模块，以生成最终的可辨别特征。本发明专利技术在考虑网络性能的同时，有效地降低了模型的参数量和对冗余信息的处理，缩短了模型的训练和推理的时间，大大地提升了模型性能。

【技术实现步骤摘要】

本专利技术属于计算机视觉、深度学习、遥感图像处理等，具体涉及一种小波特征引导头选择transformer网络的高光谱和lidar联合分类方法。

技术介绍

1、随着地物覆盖类型的多样化，遥感技术在地物分类任务中的应用面临着许多挑战。整合不同传感器获取的遥感数据，如高光谱图像和lidar数据，有助于实现信息共享和数据优势互补，从而提升分类的准确性。

2、深度学习的崛起为遥感图像处理带来了新的前景。卷积神经网络能够在保持图像的连续性的同时提取出局部特征，因此在处理复杂的高光谱图像和lidar数据时被广泛采用于地物分类任务。尽管卷积神经网络在这一领域表现出卓越的能力，但其模型结构存在一些缺陷，可能导致关键特征信息的丢失。例如，卷积层通常容易受到噪声干扰，高频噪声使得卷积神经网络难以学习鲁棒的高级特征。

3、近年来，由于transformer网络强大的全局上下文建模能力，被应用于图像分类任务。在遥感图像处理领域，联合使用卷积神经网络和transformer结构给地物分类任务提供了新的发展方向。通过结合cnn和transformer，有助于解决本文档来自技高网...

【技术保护点】

1.一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，其特征在于：所述步骤4)、步骤5)和步骤6)包括以下步骤：

3.根据权利要求1所述的一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，其特征在于：所述步骤7)包括以下步骤：

4.根据权利要求1所述的一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，其特征在于：所述步骤8)、...

【技术特征摘要】

1.一种小波特征引导头选择transformer网络的高光谱和lidar联合分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种小波特征引导头选择transformer网络的高光谱和lidar联合分类方法，其特征在于：所述步骤4)、步骤5)和步骤6)包括以下步骤：

3.根据权...

【专利技术属性】
技术研发人员：倪康，王铎，李姿润，郑志忠，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：