[发明专利]一种用于遥感场景识别的FGR-AM方法和系统

说明书

本发明公开了一种用于遥感场景识别的FGR‑AM方法，包括：对第3个和第5个瓶颈卷积模块提取的图像特征进行有效信息增强处理和无效信息抑制处理；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；将通道注意力和空间注意力增强特征进行融合；将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。本发明兼顾了图像的主要特征和细节特征，对感兴趣的信息以及细节信息的提取并融合，使得网络的识别精度有所提升，并使得网络在复杂场景以及相似场景下都能够对场景进行精准的识别。

技术领域

本发明涉及计算机视觉技术领域，具体而言涉及一种用于遥感场景识别的FGR-AM方法和系统。

背景技术

遥感场景分类是指将图像划分为块，并根据块的构成给每个块贴上合适的类别(如居民区、农田、河流、森林等)。这对于典型目标的图像管理、检索、分析、检测和识别具有重要意义。当分辨率提高时，图像变得更加多样化，允许细粒度分类和识别。同时，高分辨率遥感图像的细节更加丰富，图像中的特征更加多样，地面上的物体通常是交错的。同类型图像之间的相似性降低，而同类型图像之间的差异性显著增加。另外，还需要考虑图像中目标之间的旋转和位置关系。这些问题给高精度场景分类带来了挑战。

高分辨率遥感图像的快速发展给遥感场景带来了新的机遇。但是也存在着更大的挑战，丰富的图像细节信息中包含更多无效的信息。例如公园草地和高尔夫球场这两个场景存在高相似性，对图像进行深层提取后，过于的丰富细节信息反而会影响网络的判断。贪婪分层无监督预训练学习算法被提出，该算法在航空场景分类和高分辨率土地利用分类中均有较好的表现。目前的高精度场景分类方法大多采用深度CNN(如VGG16、GoogLeNet、ResNet50)。然而由于遥感影像类别少，标记数据量相对较少，将深度卷积特征直接应用于遥感影像较为困难，基于多子集特征融合方法被提出，对多个卷积神经网络中提取的深层特征进行融合，同时整合深层特征的全局和局部信息，从而获得低维特征实现更强的分辨力。

近年来，受人眼视觉机制的启发，注意机制提升了许多基于CNN的视觉任务的表现。卷积块注意模块(CBAM)依次进行了空间注意和通道注意，SKNet融合了注意增强的多尺度特征，以实现接受域的近似自适应选择。例如，公开号为CN112861978A的发明提出了一种基于注意力机制的多分支特征融合遥感场景图像分类方法，该发明的目的是为了解决现有方法对遥感图像场景分类准确率低的问题。过程为：步骤一、采集遥感图像，对遥感图像进行预处理，得到预处理后的遥感图像；步骤二、建立基于注意力机制的多分支特征融合卷积神经网络AMB-CNN；三、采用预处理后的遥感图像训练基于注意力机制的多分支特征融合卷积神经网络AMB-CNN，得到预训练好的基于注意力机制的多分支特征融合卷积神经网络AMB-CNN；四、采用训练好的AMB-CNN对待识别遥感图像进行分类。公开号为CN113052188A的发明公开了一种遥感图像目标检测方法，采用ResNet残差网络提取多尺度的特征图，根据目标特点采用跨通道信息融合的方式，将多尺度的特征进行融合，增强特征的语义信息以及特征的丰富性得到融合以后的多尺度特征图；在融合后的特征图上引入一种注意力机制，生成概率显著特征图，弱化遥感图像中冗余的背景信息，增强目标的显著性；将第一次回归之后的检测框各个关键点位置信息引入，重新构建带有位置信息的特征图，进行最终的多类别分类和定位预测。对于这两个例子，前者提取了第三个卷积模块的特征，经注意力模块处理后再与原卷积模块特征融合，在较低的复杂度下，对遥感场景图像实现了较为准确的分类；后者融合后再经过注意力模块，从遥感图像的目标特点出发，能够处理遥感图像中目标尺寸比较小、背景信息复杂以及定位不够准确的情况。

但是这两种方法都不适合处理高分辨率遥感图像中存在相似性较高场景、或者同时存在相似性较高和差异性大两种类型场景的情形。事实上，目前的大部分神经网络对遥感场景特称图进行提取的方法中，在关注图像的主要特征时，会忽略掉细节信息，或者在对细节进行提取过度提取之后，会使得网络在高相似场景中识别精度降低，继而使得前述问题难以解决。

发明内容