[发明专利]一种基于ConvNeXt迁移学习的城市树种分类方法

权利要求书

1.一种基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，包括以下步骤：

采集高分城市树种影像，对所述高分城市树种影像进行图像增强处理，获取增强数据集；

对增强数据集进行超像素分割，获取源数据集；

构建树种分类模型，将所述源数据集输入所述树种分类模型进行训练，获取训练完成的树种分类模型，基于所述训练完成的树种分类模型对城市树种进行分类。

2.根据权利要求1所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，对所述高分城市树种影像进行图像增强处理，获取增强数据集的过程中，采取gama增强法或线性拉伸增强法对所述高分城市树种影像的数据特征进行图像增强处理。

3.根据权利要求2所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，所述数据特征包括城市树种及地物的对比度、纹理特征、几何特征和空间特征。

4.根据权利要求1所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，对增强数据集进行超像素分割，获取源数据集的过程中包括：

基于超像素分割算法对增强数据集中的高分城市树种影像进行分割，获取树种及地物分割后的二值标签图像；

基于超像素分割后的二值标签图像裁剪地物，通过目视解译获得源数据集。

5.根据权利要求4所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，基于超像素分割算法对增强数据集中的高分城市树种影像进行分割的过程中，所述超像素分割算法采用了基于K-means聚类梯度下降的简单线性迭代聚类算法。

6.根据权利要求1所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，构建树种分类模型的过程中，基于ConvNeXt网络构建树种分类模型，包括：

通过在所述ConvNeXt网络的最后接入全局池化层对网络参数进行压缩、对全局空间信息融合；

通过在所述ConvNeXt网络上接入Layer Norm层优化特征提取的分布，并通过接入全连接层对数据集进行精细分类。

7.根据权利要求1所述的基于ConvNeXt迁移学习的城市树种分类方法，其特征在于，将所述源数据集输入所述树种分类模型进行训练的过程中包括：基于迁移学习的方法训练所述树种分类模型。