基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法技术

基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，本发明专利技术涉及遥感场景图像分类方法。本发明专利技术的目的是为了解决现有Transformer结构中的自注意力模块存在二次复杂度，计算量大，图像分类准确性低的问题。过程为：构建重参数化特征聚合卷积神经网络模型；模型对待测遥感场景图像进行分类；模型包括第一特征提取模块、第一RepFormer、第一平均池化层、第二RepFormer、第二平均池化层、第三RepFormer、第三平均池化层、第四RepFormer、第一线性层、第二特征提取模块、第三特征提取模块、第一多头混合卷积模块、第二多头混合卷积模块、第一级联层、第四特征提取模块、第三多头混合卷积模块、第二线性层、第二级联层、特征融合分类器；本发明专利技术用于遥感场景图像分类领域。

【技术实现步骤摘要】

本专利技术涉及遥感场景图像分类方法。

技术介绍

1、随着高分辨率卫星传感器的发展，遥感场景图像分类受到越来越多的关注。在解释地球表面信息、城市规划、农业监测[1]-[4]等方面具有不可替代的重要性。由于高分辨率遥感场景中背景复杂和地物多尺度，如何有效提取特征仍然是一个重要的和具有挑战性的任务。

2、传统的遥感图像分类方法主要依赖手工设计的特征(例如：纹理特征[5][6]，形状特征[7][8])和机器学习分类器(支持向量机[9]和决策树[10])。这些方法通常需要倚赖大量领域专家的知识，尤其是在处理复杂的遥感场景时，往往难以捕捉到丰富的特征信息。虽然这类方法在一定程度上成功地解决了遥感图像分类问题，但随着数据规模的增加和任务复杂性的提高，它们的性能逐渐受到限制。

3、深度学习的崛起使得卷积神经网络在图像处理领域取得了显著的成就。引入卷积层使得网络能够有效地捕捉图像的局部特征，同时通过权值共享的机制减少了参数量，从而提高了模型的计算效率。这种设计极大地增强了神经网络对图像特征的抽象和表达能力，使其在图像分类[11]、目标检测[12]等任本文档来自技高网...

【技术保护点】

1.基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一特征提取模块依次包括步距为2的3×3卷积、第一批量归一化层、步距为2的3×3卷积和第二批量归一化层；

3.根据权利要求2所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第二特征提取模块依次包括第三3×3卷积、第一1×1卷积、第三批量归一化层BN、第一ReLU激活函数层；

4.根据权利要求3所述的基于重参数化特征聚合卷积神经网络的遥感...

【技术特征摘要】

1.基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一特征提取模块依次包括步距为2的3×3卷积、第一批量归一化层、步距为2的3×3卷积和第二批量归一化层；

3.根据权利要求2所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第二特征提取模块依次包括第三3×3卷积、第一1×1卷积、第三批量归一化层bn、第一relu激活函数层；

4.根据权利要求3所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第三特征提取模块依次包括第四3×3卷积、第二1×1卷积、第四批量归一化层bn、第二relu激活函数层；

5.根据权利要求4所述的基于重参数化特征聚合卷积神经网络的遥感场景图像分类方法，其特征在于：所述第一repformer模块、第二repformer模块、第三repformer模块、第四repformer模块中每...

【专利技术属性】
技术研发人员：石翠萍，丁梦祥，梁振龙，夏朝伟，郑亮，范敬博，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：