[发明专利]融合非对称卷积和注意力机制的遥感图像特征提取方法

权利要求书

1.融合非对称卷积和注意力机制的遥感图像特征提取方法，其特征在于，包括以下步骤：

（1）、获取待提取特征的遥感图像数据；

（2）、生成第一神经网络模型，所述第一神经网络模型的网络架构采用包含五个依次串联的特征提取模块的ResNet50，其中第一个特征提取模块包括一个卷积层，第二个特征提取模块包括三个依次串联的残差学习单元构成的卷积层，第三个特征提取模块包括四个依次串联的残差学习单元构成的卷积层，第四个特征提取模块包括六个依次串联的残差学习单元构成的卷积层，第五个特征提取模块包括三个依次串联的残差学习单元构成的卷积层；

每个残差学习单元分别包括三个依次串联的卷积核子单元，其中第一个卷积核子单元是大小为1×1的卷积核；第二个卷积核子单元由大小为3×3、1×3、3×1共三个卷积核并联构成；第三个卷积核子单元是大小为1×1的卷积核；每个残差学习单元中分别依次由第一个卷积核子单元进行压缩维度、第二个卷积核子单元进行卷积处理、第三个卷积核子单元进行恢复维度；

（3）、向步骤（2）生成的第一神经网络模型中每个残差学习单元的输出分别连接混合域注意力机制模块，得到第二神经网络模型；混合域注意力机制模块包括特征图提取子模块、融合子模块、分解子模块、Sigmoid激活函数子模块、Scale操作子模块，其中：

所述特征图提取子模块从对应的残差学习单元的输出中提取出水平和垂直两个方向的特征图；

所述融合子模块对水平和垂直方向的特征图进行特征融合，得到融合结果；

所述分解子模块将融合结果按水平方向的维度和垂直方向的维度进行分解，得到水平方向和垂直方向的分解结果；

所述Sigmoid激活函数子模块对水平方向和垂直方向的分解结果进行激活处理；

所述Scale操作子模块对Sigmoid激活函数子模块的激活处理结果进行Scale操作；

（4）、将步骤（1）获取的遥感图像数据，送入至步骤（3）中的第二神经网络模型，经第二神经网络模型处理后提取得到遥感图像的特征。

2.根据权利要求1所述的融合非对称卷积和注意力机制的遥感图像特征提取方法，其特征在于，每个残差学习单元的第二个卷积核子单元中，三个并联的卷积核输出进行批量归一化处理后进行相加，作为第二个卷积核子单元的输出。

3.根据权利要求1所述的融合非对称卷积和注意力机制的遥感图像特征提取方法，其特征在于，步骤（3）所述的混合域注意力机制模块中，特征图提取子模块将残差学习单元的输出首先分解为水平、垂直两个方向上一维的特征张量，并对两个一维的特征张量进行全局池化操作，以沿着水平方向和垂直方向分别进行聚合，得到对应方向的一维的特征图。

4.根据权利要求1所述的融合非对称卷积和注意力机制的遥感图像特征提取方法，其特征在于，步骤（3）所述的混合域注意力机制模块中，融合子模块采用两个全连接和非线性ReLU操作，对水平和垂直方向的特征图进行处理，使水平和垂直方向的特征图进行特征融合。

5.一种遥感图像特征提取系统，包括处理器和存储器，所述存储器中存储有能够被处理器识别和运行的程序指令，其特征在于，所述处理器运行程序指令时执行权利要求1所述的遥感图像特征提取方法。

6.根据权利要求5所述的一种遥感图像特征提取系统，其特征在于，所述程序指令包括第一子程序、第二子程序和第三子程序，所述处理器运行程序指令中第一子程序时执行所述步骤（1），所述处理器运行程序指令中第二子程序时执行所述步骤（2）、（3），所述处理器运行程序指令中第三子程序时执行所述步骤（4）。