一种遥感影像场景分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116012722A(43)申请公布日2023.04.25(21)申请号202211097928.7G06V10/82(2022.01)(22)申请日2022.09.08G06V10/52(2022.01)G06V10/30(2022.01)(71)申请人中国人民解放军战略支援部队信息G06V10/80(2022.01)工程大学G06V10/42(2022.01)地址450001河南省郑州市高新区科学大道62号(72)发明人郭海涛余东行徐青王慧卢俊刘相云林雨准吕亮龚志辉王家琪饶子昱牛艺婷(74)专利代理机构郑州睿信知识产权代理有限公司41119专利代理师吴敏(51)Int.Cl.G06V20/13(2022.01)G06V10/764(2022.01)权利要求书1页说明书8页附图2页(54)发明名称一种遥感影像场景分类方法(57)摘要本发明涉及一种遥感影像场景分类方法，属于遥感影像处理技术领域。本发明首先利用深层卷积神经网络提取影像不同尺度的特征图；然后利用残差注意力机制增强不同尺度特征图的语义信息、抑制冗余噪声信息；最后使用全局均值池化获取不同尺度特征图的全局信息，构建特征向量，并将不同尺度特征向量融合，各不同尺度的特征向量以及融合后的特征向量分别采用独立的分类器进行分类；在训练时利用联合损失优化模型，预测时采取多分类器决策级融合的方式，提高了分类的稳健性和分类精度。并在UCMerced、AID和NWPU‑RESISC45数据集上进行了实验，验证了本发明的可行性和有效性，相比其他同类型方法，本发明的分类精度得到显著提升。CN116012722ACN116012722A权利要求书1/1页1.一种遥感影像场景分类方法，其特征在于，该分类方法包括以下步骤：1)构建场景分类模型，所述的场景分类模型包括有多特征提取网络、残差注意力模块和分类器；所述的多特征提取网络用于采用深层卷积神经网络提取不同尺度的特征图；所述残差注意力模块用于对不同尺度的特征图进行特征增强，并利用池化将增强后的各尺度的特征图转换为各尺度对应的特征向量，对各特征向量进行融合以得到多尺度融合特征向量；所述分类器包括有多个，用于分别对各尺度的特征向量以及融合后特征向量分别进行分类；2)对所构建的场景分类模型进行联合训练；3)获取待分类的遥感影像，并将其输入到训练后的场景分类模型中，根据分类器针对各尺度的特征向量以及融合后特征向量的分类结果进行决策级融合，将融合后的结果作为最终的分类结果。2.根据权利要求1所述的遥感影像场景分类方法，其特征在于，所述的多特征提取网络采用ResNet网络或RegNet网络。3.根据权利要求1所述的遥感影像场景分类方法，其特征在于，所述的残差注意力模块进行特征增强的过程如下：a.将不同尺度特征图的通道统一到相同数量，并输入到权重分支和特征提取分支；b.通过权重分支对输入的特征图进行降采样、卷积和上采样处理，通过特征提取分支对输入的特征图进行卷积操作，提取特征；c.将权重分支处理结果和特征提取分支提取的特征进行叠加，将叠加结果通过卷积模块和激活函数处理，得到相应的归一化权重；d.将得到归一化权重与特征提取分支提取的特征相乘，再将相乘结果与特征提取分支提取的特征进行相加处理，以实现特征的增强。4.根据权利要求3所述的遥感影像场景分类方法，其特征在于，所述特征提取分支采用两个1×1卷积模块对特征图进行特征提取。5.根据权利要求1或3所述的遥感影像场景分类方法，其特征在于，所述残差注意力模块采用全局均值池化操作将增强后的特征图转化成特征向量。6.根据权利要求1或3所述的遥感影像场景分类方法，其特征在于，所述的残差注意力模块用于将各尺度的特征向量沿通道维度进行连接，实现各尺度特征的融合。7.根据权利要求1或3所述的遥感影像场景分类方法，其特征在于，所述的场景分类模型在训练时对每个分类器分别进行训练，每个分类器采用的损失函数为：q′(k|x)＝(1‑ε)q(k|x)+ε/K其中x表示样本，k表示样本的类别，K表示类别的个数，p(k|x)表示第i个分类器输出的样本x属于类别k的概率，q′(k|x)表示平滑处理后的标签，ε为平滑参数。8.根据权利要求7所述的遥感影像场景分类方法，其特征在于，在训练时所采用的联合损失为各分类器损失的加权和。9.根据权利要求1或3所述的遥感影像场景分类方法，其特征在于，所述步骤3)的决策级融合是将各分类器的预测的概率输出结果相加。2CN116012722A说明书1/8页一种遥感影像场景分类方法技术领域[0001]本发明涉及一种遥感影像场景分类方法，属于遥感影像处理技术领域。背景技术[0002]随着对地观测技术的发展，利用各种遥感平台获取的影像数据正呈爆炸式增长，遥感