高光谱图像识别方法、装置、电子设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113822209A(43)申请公布日2021.12.21(21)申请号202111138010.8G06N3/08(2006.01)(22)申请日2021.09.27(71)申请人海南长光卫星信息技术有限公司地址571152海南省海口市海口国家高新技术产业开发区狮子岭工业园光伏北路18号研发办公楼4层(72)发明人朱济帅李海霞邓美环刘康陈木森李小宝(74)专利代理机构北京集佳知识产权代理有限公司11227代理人王晓芬(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书11页附图4页(54)发明名称高光谱图像识别方法、装置、电子设备及可读存储介质(57)摘要本申请公开了一种高光谱图像识别方法、装置、电子设备及可读存储介质。其中，方法包括预先训练得到包括预处理卷积模块、多尺度特征融合模块和空间注意力机制模块的图像识别模型，将待识别高光谱遥感影像输入至图像识别模型中，得到其图像识别结果。预处理卷积模块通过普通卷积核空洞卷积对待识别高光谱遥感影像进行处理，得到浅层空谱特征信息；多尺度特征融合模块利用不同大小的卷积核并结合残差网络提取浅层空谱特征信息，得到空谱特征图；空间注意力机制模块在光谱维与空间维学习目标特征，根据注意力权重自适应调整空谱特征图，并将最终得到的空谱特征图输送至全连接层进行降维操作，从而可有效提升高光谱图像的识别效率及识别精准度。CN113822209ACN113822209A权利要求书1/2页1.一种高光谱图像识别方法，其特征在于，包括：预先训练图像识别模型；所述图像识别模型包括预处理卷积模块、多尺度特征融合模块和空间注意力机制模块；将待识别高光谱遥感影像输入至所述图像识别模型中，得到所述待识别高光谱遥感影像的图像识别结果；其中，所述预处理卷积模块通过普通卷积核空洞卷积对所述待识别高光谱遥感影像进行处理，以学习得到所述待识别高光谱遥感影像的浅层空谱特征信息；所述多尺度特征融合模块利用不同大小的卷积核并结合残差网络提取浅层空谱特征信息，得到空谱特征图；所述空间注意力机制模块分别在光谱维与空间维的两个维度上学习目标特征，依次推断出注意力权重，同时根据所述注意力权重自适应调整所述空谱特征图，以得到最终的目标空谱特征图，并将所述目标空谱特征图输送至全连接层进行降维操作。2.根据权利要求1所述的高光谱图像识别方法，其特征在于，所述预处理卷积模块包括第一普通三维卷积层、第二普通三维卷积层、第一空洞三维卷积层、第二空洞三维卷积层和第三空洞三维卷积层；所述第一普通三维卷积层、所述第二普通三维卷积层、所述第一空洞三维卷积层、所述第二空洞三维卷积层和所述第三空洞三维卷积层交叉组合为卷积结构；所述预处理卷积模块结合所述残差网络将所述待处理高光谱遥感影像与所述卷积结构输出的图像卷积结果相加生成所述空谱特征图。3.根据权利要求2所述的高光谱图像识别方法，其特征在于，所述第一普通三维卷积层和所述第二普通三维卷积层的卷积核为3×3×8；所述第一空洞三维卷积层、所述第二空洞三维卷积层和所述第三空洞三维卷积层的卷积核为3×3×3，所述第一空洞三维卷积层的通道数为16，所述第二空洞三维卷积层的通道数为32，所述第三空洞三维卷积层的通道数为32。4.根据权利要求1所述的高光谱图像识别方法，其特征在于，所述多尺度特征融合模块为多层次多尺度滤波器卷积网络；所述多层次多尺度滤波器卷积网络包括第一分支、第二分支和第三分支；通过对各分支的特征图连接和对各分支逐像素相加得到所述空谱特征图；所述第一分支、所述第二分支和所述第三分支均包括所述残差网络，且在每一层网络都增加批归一化层，同时采用ReLU激活函数；所述第一分支包括卷积核为3*3的第一卷积层、卷积核为3*3的第二卷积层、卷积核为3*3的第三卷积层和卷积核为1*1的第四卷积层；所述第二分支包括卷积核为5*5的第四卷积层、卷积核为5*5的第五卷积层和卷积核为1*1的第六卷积层；所述第三分支包括卷积核为7*7的第七卷积层。5.根据权利要求1至4任意一项所述的高光谱图像识别方法，其特征在于，所述通过在光谱维与空间维的两个维度上学习目标特征，依次推断出注意力权重，同时根据所述注意力权重自适应调整所述空谱特征图，包括：对所述空谱特征图依次进行全局平均池化操作、全局最大池化操作、多层感知操作和双池化操作，得到初始通道维信息；根据所述初始通道维信息和所述空谱特征图得到通道维缩放特征；按照信道维数，对所述空谱特征图进行双池化操作所得到的两个二维特征图进行拼2CN113822209A权利要求书2/2页接，得到拼接特征图；使用三维卷积核对所述拼接特征图进行卷积操作