一种基于多任务学习模型的遥感冬小麦识别方法技术

本发明专利技术涉及一种基于多任务学习模型的遥感冬小麦识别方法，针对现有经典语义分割模型存在的高分辨率遥感图像中冬小麦提取边缘不准确以及由于分布过于密集、类内多样性而导致的遗漏、误分类等问题，本发明专利技术设计了一种基于多任务学习的Vision Transformer(MCFormer)，将语义分割任务和语义边界任务关联在一起，显著提升了边界检测的准确性。还引入了NDVI和LST作为样本波段，增强冬小麦的光谱特征。

【技术实现步骤摘要】

本专利技术涉及一种基于多任务学习模型的遥感冬小麦识别方法，属于遥感农业监测。

技术介绍

1、及时、高效、准确获取冬小麦种植面积信息和空间分布对于政府管理部门调整农业种植结构、制定农业粮食政策、保障国家粮食安全至关重要。

2、遥感作为一种在时间和空间上非破坏性地监测作物的方式，不同空间分辨率的遥感影像为冬小麦制图提供了有效手段。目前的有关遥感冬小麦的研究主要依赖于sentinel、modis和landsat数据，然而冬小麦具有小斑块(米级)和高空间异质性的特点，特别是在中国。sentinel(10m)、modis(250m)和landsat(30m)可能很难有效检测到这些细小的碎斑地块。近年来，以gf-2数据为代表的高分辨率影像(中国高分系列、资源系列、planet、geoeye-1、wordview系列等)被广泛的应用到遥感监测中，这能够提供更加清晰的冬小麦光谱信息。

3、深度学习目前正在为遥感分析铺平新的道路。遥感作物分类深度学习方法根据研究目标的不同可以分为两类：基于像素的分类方法和基于语义分割的方法。基于像素的作物分类方法使用本文档来自技高网...

【技术保护点】

1.一种基于多任务学习模型的遥感冬小麦识别方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于所述MCFormer模型包括：

3.根据权利要求2所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于：所述空间细节特征模块具有六个标准的3×3卷积层，每一层卷积层都配备批量归一化操作和ReLU6激活函数，其中，卷积层的卷积核每次移动的步幅逐渐增加，逐步拓展空间特征图的通道维度，输出特征图的大小为原始图像的1/4。

4.根据权利要求2所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于：全局信息特征...

【技术特征摘要】

1.一种基于多任务学习模型的遥感冬小麦识别方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于所述mcformer模型包括：

3.根据权利要求2所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于：所述空间细节特征模块具有六个标准的3×3卷积层，每一层卷积层都配备批量归一化操作和relu6激活函数，其中，卷积层的卷积核每次移动的步幅逐渐增加，逐步拓展空间特征图的通道维度，输出特征图的大小为原始图像的1/4。

4.根据权利要求2所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于：全局信息特征模块包括一个补丁嵌入模块，三个补丁合并模块和四个wfb模块，所述补丁嵌入模块、补丁合并模块与wfb模块间隔布置并依次进行数据传递，所述wfb模块包括卷积注意力模块和卷积多层感知机，所述卷积注意力模块用于生成通道注意力图并据此获得空间注意力图，所述卷积多层感知机用于生成全局信息特征图。

5.根据权利要求4所述的基于多任务学习模型的遥感冬小麦识别方法，其特征在于：所述注意力模块包括通道注意力模块和空间注意力模块，通道注意力模块使用全局平均池化和全局最大池化方法在压缩特征图的空间维度时获得两个向量，然后将这两个向量输入到由隐藏层和多层感知器组成的共享多层感知机处理分别得到两个特征maxout、avgout，然后通过sigmoid函数计算得到通道注意力图，结合通道注意力图对每个元素求和并输出特征向量；空间注意力模对特征向量进行全局最大池化和全局平均池化，将它们连接起来生成有效的特征描述符，并进行卷积操作...

【专利技术属性】
技术研发人员：吴艳兰，刘紫涵，杨辉，王彪，
申请(专利权)人：安徽大学，
类型：发明
国别省市：