[发明专利]基于残差和注意力的深度网络高光谱影像分类方法有效
申请号: | 202110526282.9 | 申请日: | 2021-05-14 |
公开(公告)号: | CN113139512B | 公开(公告)日: | 2023-09-29 |
发明(设计)人: | 吕欢欢;胡杨;张辉;白爽;黄煜铖 | 申请(专利权)人: | 辽宁工程技术大学 |
主分类号: | G06V10/764 | 分类号: | G06V10/764;G06V20/10;G06V10/77;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/08 |
代理公司: | 沈阳东大知识产权代理有限公司 21109 | 代理人: | 李在川 |
地址: | 125105 辽*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 注意力 深度 网络 光谱 影像 分类 方法 | ||
1.一种基于残差和注意力的深度网络高光谱影像分类方法,其特征在于,包括如下步骤:
步骤1:输入待分类的高光谱图像原始数据集;
步骤2:对输入的高光谱图像原始数据集进行波段划分和归一化处理,得到高光谱影像数据集,具体如下:
其中,s=m×n为一个m行n列的高光谱影像的像素点个数,p表示高光谱影像的波段数,xsp表示第p个波段的第s个像素点;
步骤3:通过主成分分析方法提取高光谱影像数据集的光谱特征,并获取第一主成分影像作为引导图像I;
步骤4:从引导图像I中选择像素K×K×B的邻域作为输入样本X'={x1,x2,…,xN},其中,K为区域宽度,B为主波段个数,N为训练样本数,存在于输入样本中,对应的标签Y={y1,y2,…,yN}被标记为中心像素,标签对应各输入样本的类别信息;
步骤5:通过步骤4得到的输入样本X'进行三维操作,对各个波段进行批处理,提取三维的特征张量
步骤6:通过步骤5得到的三维的特征张量进行二维操作,对各个波段进行批处理,提取更精细的空间特征
步骤7:通过步骤6获得进入一维操作部分;通过归一化、池化层、全连接层,获得嵌入特征;
步骤8:进入决策阶段,将获得的嵌入特征和对应的空间特征作为训练样本分别输入包含D2CEL损失函数的原型网络分类器中,在训练过程中,以端到端的方式从训练数据中迭代学习网络的最优参数θ和原型H,将提取的判别特征与嵌入空间中学习的原型进行比较来确定预测标签。
2.根据权利要求1所述的基于残差和注意力的深度网络高光谱影像分类方法,其特征在于,所述步骤3的过程如下:
步骤3.1:计算归一化后的高光谱影像数据集的协方差矩阵;
步骤3.2:求协方差矩阵的特征值和特征向量,以此获取第一主成分影像,将第一主成分影像作为引导图像。
3.根据权利要求2所述的基于残差和注意力的深度网络高光谱影像分类方法,其特征在于,所述步骤3.1的过程如下:
步骤3.1.1:计算第j个波段所有像素的均值,如下公式所示:
其中,1≤t≤s,1≤j≤p,为第j个波段所有像素的均值,xtj表示第j个波段的第t个像素点值;
步骤3.1.2:计算高光谱图像数据集第j个波段的协方差矩阵,如下公式所示:
其中,T为转置运算,xt表示第t个像素点。
4.根据权利要求2所述的基于残差和注意力的深度网络高光谱影像分类方法,其特征在于,所述步骤3.2的过程如下:
步骤3.2.1:对协方差矩阵进行特征值分解,求取协方差矩阵的特征值λ1≥λ2≥…≥λq和对应的特征向量D=[α1,α2,…,αq];
步骤3.2.2:通过特征值λ1对应的特征向量α1得到第一主成分分量,将第一主成分分量与高光谱影像数据集X相乘,得到第一主成分影像,如下公式所示:
其中,I为引导图像,X为输入的高光谱影像数据。
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辽宁工程技术大学,未经辽宁工程技术大学许可,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/202110526282.9/1.html,转载请声明来源钻瓜专利网。