[发明专利]一种基于卷积Transformer的遥感图像分类方法及系统

说明书

本发明提供一种基于卷积Transformer的遥感图像分类方法及系统，方法包括：首先使用轻量级卷积神经网络提取局部特征，其次将得到的局部特征输入到CNN融合多头自注意力机制的混合网络中以增强对图像全局特征的提取能力；然后在训练过程中引入迁移学习以加快收敛速度；最后将获得的特征输出进行分类预测。与其他常用的图像分类方法相比，在减少参数量和计算成本的同时能够高效地提取遥感图像的局部特征信息和长距离全局依赖信息。解决了自注意力时间复杂度的增加、计算成本较高、分类准确率不高及鲁棒性低的技术问题。

技术领域

本发明涉及遥感图像分类领域，具体涉及一种基于卷积Transformer的遥感图像分 类方法及系统。

背景技术

遥感图像具有复杂的整体结构和丰富的纹理特征，基于卷积神经网络(Convolutional Neural Networks,CNN)的遥感图像分类方法虽然能够捕获丰富的局 部信息，但有限的感受野使其无法对全局信息建立长距离依赖关系，从而导致遥感图像 分类的准确率不高。

航空遥感是一门非直接接触且需借助卫星、飞机或无人机作为运载工具进行信息收 集的科学技术，主要应用于地质调查、环境监测、作物预测、资源勘查等领域。随着人 工智能和卫星传感器的发展，遥感技术突破众多挑战，进入了一个能够准确、高效地提 供多种勘测信息的新阶段，使得遥感图像分辨率在空间、光谱、时间等方面都得到了明 显的提升。例如Digital Globe公司的WorldView-2卫星能提供0.5m分辨率的全色和 1.8m分辨率的多光谱影像；中国OHS高光谱卫星上的CMOS传感器，具有256个谱段， 每个谱段范围为400-1000nm，空间分辨率为10m，这为全球带来了更快捷、更精确的卫 星服务。无人机是遥感信息收集的一种主要运载工具，在地质灾害监测、海洋岛礁测绘、 应急救援等领域得到了广泛的应用。与卫星相比，无人机轻小便捷，复杂程度低，开发 成本小，更容易部署，以满足监测、测绘的需要；与飞机相比，无人机不受温度和气候 的影响，在任何天气允许的情况下都可以飞行，提高了时间分辨率，降低了图像模糊率。 近年来有研究提出涉及一种卷积神经网络(Convolutional Neural Networks,CNN)的 方法对无人机图像进行分类。例如Liu提出的将CNN与基于对象的图像分析(OBIA)相结 合，利用多视图数据进行土地覆盖分类的现有技术方案，以及Bazi提出的利用一种双 分支神经网络，为无人机图像分配多个等级标签的现有技术方案等。

针对遥感图像的有效信息采集问题，场景分类是目前使用较广泛的研究领域之一， 其主要目标是获取图像并通过识别图像中正确的语义标签来判断所属场景，从而达到分 类的目的。场景分类有许多重要的应用领域，如土地管理、森林火灾重建、城市规划等。早期的场景分类主要依赖于人工标注来提取图像特征，例如SIFT、GIST、梯度直方图等 方法，这些方法虽然在一些简单的场景分类任务中取得了较好的效果，但随着场景复杂 性及类别数量的增加，其局限性也愈加明显。因此，研究者们提出了传统图像特征建模， 如词袋BOW、LSA、局部聚合描述符向量(VLAD)等方法。