[發明專利]一種基于尺度注意力網絡的遙感圖像場景分類方法

有效

• 申請號: 201910614535.0
• 申請日: 2019-07-09
• 公開（公告）號: CN110414377B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 邊小勇;費雄君;穆楠;張曉龍;鄧春華
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 王聰聰

本發明公開了一種基于尺度注意力網絡的遙感圖像場景分類方法，首先，將場景數據集按比例隨機劃分為訓練集和測試集；接著，對數據集進行預處理，包括圖像縮放和歸一化；同時，將數據集輸入到注意力模塊中進行顯著性檢測，產生注意力圖；然后，利用預訓練模型初始化尺度注意力網絡參數，并使用訓練集和注意力圖微調尺度注意力網絡，保存訓練好的網絡模型；最后，使用微調后的尺度注意力網絡預測待分類圖像場景的類別。該基于尺度注意力網絡的遙感圖像場景分類方法，通過多次利用多尺度注意力圖給特征圖加權，又通過提取多尺度圖像特征并融合，產生了判別力增強的特征表示，在遙感圖像場景分類上取得了更好的效果。

技術領域

本發明涉及深度學習中的圖像場景分類技術領域，具體涉及一種基于尺度注意力網絡的遙感圖像場景分類方法。

背景技術

近年來，隨著地表場景的高分辨率遙感圖像數據的增加，高分辨率遙感圖像場景分類成為一個廣泛關注的研究方向，并且通過學習特征表示來預測高分辨率遙感圖像場景的語義標簽具有挑戰性。然而，高分辨率遙感圖像場景分類的困難在于：這些圖像場景在同一類別中具有不同的大小，顏色，姿態，空間位置，而屬于不同類別的圖像場景在許多方面彼此相似。

最近的研究結果表明，深度學習方法在遙感圖像場景分類領域取得了快速的發展，并且使用預訓練模型的神經網絡比以往的手工特征和編碼方法具有更好的性能。雖然深度學習方法有助于從圖像中學習高級語義特征，但如何設計高效的網絡模型盡可能地表示豐富變化的場景，并將它們區分開來值得進一步研究。目前注意力機制越來越多地應用于圖像分割、目標匹配和場景分類等領域。它可以為輸入特征的每個部分分配不同的權重，提取更重要的信息，使模型做出更準確的判斷，同時不會增加額外開銷。因此，如何將注意力機制嵌入到卷積神經網絡的不同層中，并提取不同尺度的特征來提高遙感圖像場景分類效果，具有重要的理論價值和實踐意義，將有助于促進網絡學習強大的深度特征表示。

目前采用卷積神經網絡來進行場景分類的方法有很多，結果表明，卷積神經網絡比手工特征和編碼方法具有更好的性能。Q.Wang,S.Liu,J.Chanussot andX.Li等人發表的《重復注意力非常高分辨率遙感圖像的場景分類》，國際地理科學與遙感學報，vol.57，no.2,pp.1155-1167,2019(《Scene classificationwithrecurrent attention ofVHRremote sensing images》(IEEE Trans.Geoscience Remote Sensing,vol.57,no.2,pp.1155-1167,Feb.2019.))中利用多個長短期記憶模型對3個典型遙感圖像場景進行多注意力區域特征提取及分類，由于注意力模型主要關注對象類型的場景并不能充分學習到自然場景的特征信息，因此模型的判別能力仍顯不足。S.Woo,J.Park,J.Lee and I.Kweon等人發表的《CBAM:卷積塊注意力模塊》(CBAM:Convolutional block attention module(arXiv:1807.06521,2018))中提出了卷積塊光譜-空間維注意力模塊，推斷出注意力映射并相乘為自適應特征細化的輸入特征映射進行特征增強的圖像場景分類，雖然這種方法能使網絡學習到可見光圖像的特征而使得分類的效果更優，但沒有看到在遙感圖像場景分類上的性能報道。此外，“一種融合深度特征和顯著性特征的遙感圖像場景分類方法”(CN109165682A)公開了一種圖像場景分類方法，該方法使用卷積神經網絡提取原圖和顯著圖的特征，并通過并行特征融合策略融合兩種特征，為最后的支持向量機分類提供了原始圖像的全局信息和突出性信息，但該方法需要額外訓練用于提取顯著圖特征的卷積神經網絡，增加了網絡訓練成本和計算量。

由此可知，現有技術中的方法存在分類精度不高的技術問題。

發明內容

有鑒于此，本發明提供了一種基于尺度注意力網絡的遙感圖像場景分類方法，用以解決或者至少部分解決現有技術中的方法存在的分類精度不高的技術問題。