[发明专利]基于瓶颈注意力模块的遥感图像云检测方法及系统

权利要求书

1.基于瓶颈注意力模块的遥感图像云检测方法，其特征在于，包括如下步骤：

步骤1、获取样本集和处理样本集；

步骤2、搭建遥感图像云检测网络总体框架；

步骤3、迭代训练；

步骤4、输出预测结果并对比。

2.根据权利要求1所述的遥感图像云检测方法，其特征在于，步骤1进一步包括：

步骤1-1、下载预定样本集并剔除不含云，含云量过少的样本，将合格的样本通过labelme标签制作软件给每个样本描绘含云区域作为标签，制作总样本集N：

N＝{(I₁,L₁),(I₂,L₂),…,(I_N,L_N)

式中，I_N表示第n幅图像，L_n表示第n幅图像的标签；

步骤1-2、将从遥感图像N中随机选取的n幅遥感图像标签组成训练样本集P：

P＝{(I₁,L₁),(I₂,L₂),…,(I_n,L_n)

式中，I_n表示第n幅训练样本，L_n表示第n幅训练图像的标签；

步骤1-3、将其余N-n幅遥感图像以及标签组成测试样本集T：

T＝{(I₁,L₁),(I₂,L₂),…,(I_N-n,L_N-n)

式中，I_N-n表示第N-n幅测试图像，L_N-n表示第N-n幅测试图像的标签；其中，PT。

3.根据权利要求1所述的遥感图像云检测方法，其特征在于，步骤2进一步包括：

步骤2-1、搭建由编码器、译码器、底层连接层、以及组合模块组成的主框架；

步骤2-2、定义遥感图像云检测损失函数：

L＝L₁+L₂

式中，L为总的损失函数，L₁为二分类交叉熵函数，L₂为集合相似度函数；

其中，二分类交叉熵函数L₁的表达式如下：

式中，Ti表示样本i的label，正类为1，负类为1；N为样本总数；P_i为Softmax分类器所计算的类别i的概率，Softmax的主要作用为将网络的输出计算为各类别的概率分布，k为类别数，Z_i，Z_j为类别i，j在网络中预测的输出结果；

DICE_LOSS(集合相似度)函数L₂的表达式如下：

式中，TP为正样本被网络预测为正样本的情况；FN为负样本被网络预测为正样本的情况；FP为负样本被网络预测为负样本的情况。

4.根据权利要求1所述的遥感图像云检测方法，其特征在于，步骤3进一步包括：

步骤3-1、采用冰冻训练方式，初始迭代次数设置为300,初始学习率设置为10^-4，当迭代次数达到300后，学习率转化为10^-5，最大迭代次数设置为600；

步骤3-2、将训练样本集分批次输入遥感图像云检测网络进行前向传播过程，在经过中间层后得到每一次网络预测结果x；

步骤3-3、采用后向传播算法对网络进行特征学习，采用损失函数计算每一次迭代网络的预测结果与本批次训练样本相对应label之间的误差ε，然后使用Adam优化器对网络卷积核权重参数和中间层连接参数进行更新，减小网络预测结果和标签之间的误差ε，最终得到经过迭代600次后的模型权重参数。