[发明专利]一种注意力残差单元神经网络高光谱图像分类方法及系统

权利要求书

1.一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，包括以下步骤：

获取高光谱图像，对高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；

构建高光谱分类模型，其中所述高光谱分类模型为卷积注意力残差单元的混合卷积神经网络，所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；

基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；

将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。

2.根据权利要求1所述的一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，对所述高光谱图像进行预处理的过程包括：

对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像素点图像块，得到处理后的高光谱图像。

3.根据权利要求1所述的一种注意力残差单元卷积神经网络的高光谱图像分类方法，其特征在于，对所述高光谱分类模型进行训练的过程包括：

提取训练数据集的图像特征；

基于所述图像特征，通过所述多尺度融合提取层进行卷积，得到多尺度融合提取层特征图；

将多尺度融合提取层特征图输入至卷积注意力残差单元，得到卷积注意力残差单元特征图；

将卷积注意力残差单元特征图输入至所述深度可分离卷积与平均池化残差层，得到分离特征图，将所述分离特征图输入至全连接层，得到训练好的高光谱分类模型。

4.根据权利要求3所述的一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，得到多尺度融合提取层特征图的过程包括：

将所述图像特征分为若干个三维图像特征，分别用不同尺寸卷积核对所述三维图像特征进行提取，对提取后的三维图像特征进行拼接，得到多尺融合提取层特征图。

5.根据权利要求3所述的一种注意力残差单元神经网络的高光谱图像分类方法，其特征在于，得到卷积注意力残差单元特征图的过程包括：

将多尺融合提取层的特征图分别输入通道注意力模块和残差函数，分别得到第一特征图和第二特征图，将所述第一特征图和第二特征图进行联合，得到卷积注意力残差单元特征图；

其中所述第一特征图为通道注意力模块输出的特征图，所述第二特征图为通过残差函数输出的特征图。

6.一种注意力残差单元神经网络高光谱图像分类系统，其特征在于，包括：预处理模块、模型构建模块、模型训练模块和高光谱分类模块，所述预处理模块、所述模型构建模块、所述模型训练模块和所述高光谱分类模块依次连接；

所述预处理模块，用于获取高光谱图像，对所述高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；

所述模型构建模块，用于构建高光谱分类模型，其中所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；

所述模型训练模块，用于基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；

所述高光谱分类模块，用于将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。

7.根据权利要求6所述的一种注意力残差单元神经网络高光谱图像分类系统，其特征在于，所述预处理模块中包括：

对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像素点图像块，得到处理后的高光谱图像。