[发明专利]一种用于遥感场景识别的FGR-AM方法和系统

权利要求书

1.一种用于遥感场景识别的FGR-AM方法，其特征在于，所述FGR-AM方法包括以下步骤：

S1，采用依次连接的5个瓶颈卷积模块对输入的原始遥感图像进行特征提取；

S2，在第3个瓶颈卷积模块和第5个瓶颈卷积模块之后分别连接通道注意力模块，再连接空间注意力模块，形成两个通道；

其中，通道注意力模块用于增强相应通道中有效信息，抑制无效信息；

空间注意力模块用于分别从第3个瓶颈卷积模块提取的图像特征中同时提取遥感图像包含的轮廓信息和视觉中更感兴趣的特征，以及从第5个瓶颈卷积模块提取的图像特征中提取出遥感图像包含的细节特征；

S3，将两个通道经过空间注意力模块所得出的最终的权重矩阵输入双线性细粒度融合特征模块中，即将提取出的遥感图像包含的轮廓信息、视觉中更感兴趣的特征和遥感图像包含的细节特征进行融合，形成具有全局空间和信道一致性表示的双线性向量；

S4，采用主成分分析模块将步骤S3生成的多维特征映射到正交的k维特征，对遥感图像进行识别分类。

2.根据权利要求1所述的用于遥感场景识别的FGR-AM方法，其特征在于，步骤S1中，所述瓶颈卷积模块的特征提取过程包括以下步骤：

S11，将图像输入一个卷积核为1×1，激活函数为swish的标准卷积层进行特征提取，通道扩大为基础通道数的n倍；

S12，将步骤S11中提取的特征输入一个卷积核为3×3，步长为2的Depthwise卷积层进行特征提取，通道数不变；

S13，将步骤S12提取的图像特征输入一个卷积核为1×1的线性卷积中，对特征图进行降维，降为原来的通道数。

3.根据权利要求2所述的用于遥感场景识别的FGR-AM方法，其特征在于，按照处理次序，5个瓶颈卷积模块的基础通道数分别为64、128、256、512和512；

其中，第1个和第2个瓶颈卷积模块对应的扩展值n的取值为6；第3个和第4个瓶颈卷积模块对应的扩展值n的取值为4；第5个瓶颈卷积模块对应的扩展值n的取值为2。

4.根据权利要求1所述的用于遥感场景识别的FGR-AM方法，其特征在于，步骤S2中，通道注意力模块增强相应通道中有效信息和抑制无效信息的过程包括以下步骤：

S21，针对第3个或者第5个瓶颈卷积模块，将相应瓶颈卷积模块所提取的特征F分别进行最大池化和平均池化处理，池化后的特征维数为1×1×c，其中F∈R^c×h×w，c表示通道数，h表示输入特征映射的高，w表示输入特征映射的宽；

S22，将最大池化处理和平均池化处理后的两个特征维数为1×1×c输入共享的MLP中，MLP的第一层和第二层分别为c/16和c；

S23，将所得的两个特征向量进行权重相加，使用sigmoid函数来计算通道注意力的权重矩阵，得到M_C∈R^c×1×1。

5.根据权利要求4所述的用于遥感场景识别的FGR-AM方法，其特征在于，步骤S2中，空间注意力模块分别从第3个瓶颈卷积模块提取的图像特征中同时提取遥感图像包含的轮廓信息和视觉中更感兴趣的特征，以及从第5个瓶颈卷积模块提取的图像特征中提取出遥感图像包含的细节特征的过程包括以下步骤：

S31，将所提取的权重矩阵M_C进行F1运算后，得到新的权重矩阵F′；

S32，将权重矩阵F′进行7×7的卷积处理，使用sigmoid函数来计算空间注意力的权重矩阵，得到M_S∈R^1×h×w；其中，F1运算为表示元素级乘法；

S33，将M_S与F′进行F2运算后，得到新的权重矩阵F″；其中，F2运算为