[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

说明书

本发明公开了一种融合非对称卷积和注意力机制的遥感图像特征提取方法，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，第一神经网络模型的网络架构采用包含五个特征提取模块的ResNet50，第一个特征提取模块包括一个卷积层，第二至第四个特征提取模块分别包括若干残差学习单元；（3）、向第一神经网络模型中加入混合域注意力机制模块，得到第二神经网络模型；（4）、将遥感图像数据送入至第二神经网络模型，得到遥感图像的特征。本发明增强了模型在对数据集中的图像翻转和旋转的鲁棒性，提高了ResNet50网络对遥感图像目标对象特征的提取能力。

技术领域

本发明涉及图像特征提取方法领域，具体是一种融合非对称卷积和注意力机制的遥感图像特征提取方法。

背景技术

深度残差网络(Deep Residual Network,ResNet)是2015年被提出，其通过特征提取实现分类，在ImageNet分类任务上获得第一，刷新了CNN模型在ImageNet上的历史。从经验来看，随着网络层数的不断加深，网络可以对更加复杂的特征进行提取，但经过实验发现网络层数加深时，网络准确度趋于饱和，甚至在下降。在深层网络进行训练的过程中存在着梯度消失和爆炸的现象，在论文《Deep Residual Learning for Image Recognition》中，何凯明博士提出了残差学习来解决此问题，使用一种恒等映射(identity mapping)(具体构造如图1所示)，将原网络的几层改成一个残差学习单元。

在何凯明博士提出的残差学习单元中，计算公式如下：

x_i+1＝x_i+F(x_i,W_i) (1)

公式(1)中，x_i为残差学习单元的输入，W_i为残差学习单元的权重，F(x_i,W_i)为残差映射，x_i+1为残差学习单元的输出。从残差学习单元的输出可以观察到当网络层数加深时，该模型的性能至少不会下降，但其在特征提取时未能显著区分遥感图像的目标对象，模型的关键特征提取能力还需进一步提高。

发明内容

本发明的目的是提供一种融合非对称卷积和注意力机制的遥感图像特征提取方法，以解决现有技术存在的在特征提取时未能显著区分遥感图像的目标对象问题。

为了达到上述目的，本发明所采用的技术方案为：

融合非对称卷积和注意力机制的遥感图像特征提取方法，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：