[发明专利]遥感场景分类方法、装置、终端设备及存储介质在审

专利信息
申请号: 202010689557.6 申请日: 2020-07-16
公开(公告)号: CN111860293A 公开(公告)日: 2020-10-30
发明(设计)人: 宋中山;梁家锐;郑禄;帖军;刘振宇;汪红;周珊 申请(专利权)人: 中南民族大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62;G06N3/04
代理公司: 深圳市世纪恒程知识产权代理事务所 44287 代理人: 徐进之
地址: 430074 湖北省武汉*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 遥感 场景 分类 方法 装置 终端设备 存储 介质
【权利要求书】:

1.一种遥感场景分类方法,其特征在于,所述方法包括:

获取遥感场景图像集,并将所述遥感场景图像集输入预设卷积神经网络模型进行特征提取,以获得顶层语义特征集及浅层外观特征集;

通过密集连接对所述顶层语义特征集进行特征聚合,以获取第一卷积特征;

对所述浅层外观特征集进行特征聚合,以获取第二卷积特征;

通过双向门控连接对所述第一卷积特征与所述第二卷积特征进行特征补偿,以获取目标卷积特征;

根据所述目标卷积特征对所述遥感场景图像集中的遥感场景图像进行分类。

2.如权利要求1所述的遥感场景分类方法,其特征在于,所述获取遥感场景图像集,并将所述遥感场景图像集输入预设卷积神经网络模型进行特征提取,以获得顶层语义特征集及浅层外观特征集的步骤,具体包括:

获取遥感场景图像集,并将所述遥感场景图像集输入预设卷积神经网络模型进行场景特征提取,以获取场景特征集;

从所述场景特征集选取第一预设数量的顶层语义特征,并根据所述顶层语义特征生成顶层语义特征集;

从所述场景特征集选取第二预设数量的浅层外观特征,并根据所述浅层外观特征生成浅层外观特征集。

3.如权利要求2所述的遥感场景分类方法,其特征在于,所述通过密集连接对所述顶层语义特征集进行特征聚合,以获取第一卷积特征的步骤,具体包括:

对所述顶层语义特征集对应的卷积层进行遍历,获取遍历到的当前卷积层对应的当前补偿特征;

将所述当前补偿特征与下一卷积层对应的顶层语义特征通过密集连接进行特征聚合,获得次级补偿特征;

判断所述下一卷积层是否为聚合终止卷积层,若是,则将所述次级补偿特征作为第一卷积特征。

4.如权利要求3所述的遥感场景分类方法,其特征在于,所述对所述浅层外观特征集进行特征聚合,以获取第二卷积特征的步骤,具体包括:

根据ReLU激活函数对所述浅层外观特征集进行处理;

对处理后的浅层外观特征集所包含的浅层外观特征进行算数聚合,以获取第二卷积特征。

5.如权利要求4所述的遥感场景分类方法,其特征在于,所述对处理后的浅层外观特征集所包含的浅层外观特征进行算数聚合,以获取第二卷积特征的步骤,具体包括:

获取处理后的浅层外观特征集所包含的浅层外观特征的通道大小;

对所述通道大小进行统一化处理,获得通道大小相同的目标浅层外观特征;

对所述目标浅层外观特征进行算数聚合,以获取第二卷积特征。

6.如权利要求5所述的遥感场景分类方法,其特征在于,所述通过双向门控连接对所述第一卷积特征与所述第二卷积特征进行特征补偿,以获取目标卷积特征的步骤,具体包括:

通过双向门控连接获取所述第二卷积特征的目标补偿特征,并根据所述目标补偿特征对所述第一卷积特征进行特征补偿,以获取目标卷积特征。

7.如权利要求1至6任一项所述的遥感场景分类方法,其特征在于,所述根据所述目标卷积特征对所述遥感场景图像集中的遥感场景图像进行分类的步骤,具体包括:

将所述目标卷积特征与所述预设卷积神经网络模型输出的全局特征进行特征合并,以获取目标分类特征;

获取所述目标分类特征的特征向量,根据所述特征向量获取目标类别数;

根据所述目标类别数对所述遥感场景图像集中的遥感场景图像进行分类。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南民族大学,未经中南民族大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010689557.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top