一种基于残差注意力与swin transformer融合的高光谱分类方法技术

本发明专利技术提出了一种基于残差注意力与swin transformer融合的高光谱分类方法，属于高光谱分类领域，该方法通过构建多个模块，包括残差注意力模块、swin transformer模块；输入数据经过2D CNN的预处理，并通过数据增强技术（如随机翻转、随机裁剪）生成补丁图像；这些补丁通过嵌入层处理后进入swin transformer模块，利用多头自注意力机制（W‑MSA）进行特征提取。随后，特征通过多层感知器（MLP）进一步处理，并进行补丁合并。最终经过平均池化层和Softmax分类器，输出分类结果。本发明专利技术通过多模块的协同工作，有效提升了在高光谱图像的分类精度和在少样本场景下的分类效果。

【技术实现步骤摘要】

本专利技术涉及深度学习、遥感高光谱图像处理，具体涉及一种基于残差注意力与swin transformer融合的高光谱分类方法。

技术介绍

1、高光谱技术凭借其对物体光谱信息的精确捕捉，在多个领域展现了广阔的应用前景。在农业中，高光谱技术可用于作物健康监测、病虫害检测和产量预测，通过分析光谱特征精准判断植物状况。其次，在环境监测中，它可帮助识别污染源，监测水质和空气质量，为生态保护提供重要数据支持。矿产勘探领域，高光谱能有效识别矿物成分，提升资源探测效率。此外，在医疗诊断和食品安全检测中，高光谱成像技术能无损检测物质成分，确保食品质量及疾病早期诊断。因此，高光谱技术在未来智能农业、资源勘探、环境保护等多个领域具有重要发展潜力。

2、高光谱图像分类的发展历程可以大致分为三个阶段。早期主要采用传统机器学习方法，如支持向量机(svm)[melgani f,bruzzone l.classification ofhyperspectralremote sensing images with support vector machines.ieeetran本文档来自技高网...

【技术保护点】

1.一种基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于：所述步骤1中光谱维度的降维为通过主成分分析(PCA)对高光谱图像进行光谱维度的降维，将光谱通道的维度从原始的K个波段降至L个波段(L<K)，生成降维后的高光谱数据。

3.根据权利要求2所述的基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于：所述步骤1中的边缘填充为对降维后的数据进行边缘填充，填充宽度为P。

...

【技术特征摘要】

1.一种基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于：所述步骤1中光谱维度的降维为通过主成分分析(pca)对高光谱图像进行光谱维度的降维，将光谱通道的维度从原始的k个波段降至l个波段(l<k)，生成降维后的高光谱数据。

3.根据权利要求2所述的基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于：所述步骤1中的边缘填充为对降维后的数据进行边缘填充，填充宽度为p。

4.根据权利要求3所述的基于残差注意力与swin transformer融合的高光谱分类方法，其特征在于：所述步骤1中图像的切块为将数据划分为n个三维立方体块，其中n＝h×w...

【专利技术属性】
技术研发人员：孙德新，项浩宇，梁建，李勋，
申请(专利权)人：江苏集萃智能感知科技有限公司，
类型：发明
国别省市：