[發明專利]基于并行注意力機制殘差網進行高光譜圖像分類的方法

有效

• 申請號: 202010014471.3
• 申請日: 2020-01-07
• 公開（公告）號: CN111274869B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 董志敏;蔡之華;蔡耀明;龔賽;劉小波;尹旭
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 萬文廣

1.一種基于并行注意力機制殘差網進行高光譜圖像分類的方法，其特征在于，包括以下步驟：

S1、構建殘差塊，所述殘差塊嵌入兩條并行的注意分支網絡支路，對輸入的數據，進行空間特征信息和光譜特征信息的識別；所述兩條并行的注意分支網絡支路分為第一網絡支路和第二網絡支路，所述第一網絡支路應用光譜注意力機制，所述第二網絡支路應用空間注意力機制；

S11、獲取數據集；

S12、將獲取到的數據集輸入到注意分支網絡支路中，并經進行特征學習；其中，第一網絡支路采用光譜注意力機制，針對輸入數據的光譜波段，進行光譜特征信息識別學習；第二網絡支路采用空間注意力機制，針對輸入數據的空間信息，進行空間特征信息的識別學習；

S13、將兩個注意分支網絡支路的輸出，通過逐元素相乘融合在一起，形成與原始輸入數據空間大小相同，波段減半的概率分布立方體F_att；

S14、對原始輸入數據進行線性卷積變換，將其變換后的數據波段與F_att的波段進行統一；在進行波段統一后，將F_att與線性變換后的原始輸入數據通過逐元素相乘的方式進行融合，得到特征融合數據；

S15、加入殘差連接，將所述特征融合數據與經過線性卷積變換后的原始輸入數據進行逐元素相加，得到嵌入并行注意力機制的殘差塊；

S2、利用步驟S1構建的殘差塊來構建高光譜圖像分類網絡，所述高光譜圖像分類網絡包括若干個依次連接的殘差塊；其中，排列在第一位的殘差塊，其輸入的數據包括高光譜圖像數據集；所述高光譜圖像分類網絡還包括依次連接在所述若干個依次連接的殘差塊之后的3D平均池化層和全連接層，所述3D平均池化層用于對當前殘差塊輸出的數據進行空間維度的調整，降低整個網絡的計算開銷；所述全連接層用于處理經空間維度調整后的特征向量，得到輸入樣本類別；

S3、將高光譜原始3D立方體數據輸入到步驟S2構建好的高光譜圖像分類網絡中，得到圖像分類結果。

2.根據權利要求1所述的高光譜圖像分類的方法，其特征在于，步驟S12中，基于光譜注意力機制的處理過程，用數據公式表示為

F_spectral＝σ(AvgPool(f₁(AvgPool(F))))；

其中，σ代表softmax非線性激活函數，AvgPool代表平均池化層，f₁(·)代表對“·”進行卷積層計算，F代表輸入到網絡的數據；

基于空間注意力機制的處理過程，用數學公式表示為：

F_spatial＝σ(f₃(f₂(F)))；

σ代表softmax非線性激活函數，f₂，f₃代表卷積層計算，F代表輸入到網絡的數據。

3.根據權利要求1所述的高光譜圖像分類的方法，其特征在于，步驟S12中，所述獲取到的數據以原始數據的立方體形式，輸入到注意分支網絡支路，進行特征學習；其中：

以像元p為中心，沿上、下、左、右四個方向各延伸m個像元單位，組成一個(2m+1)×(2m+1)的空間平面；

將所述空間平面中的光譜波段數全部取出，構成一個大小為d×d×B的立方體，其中，d表示空間3D立方體的空間尺寸長和寬，B代表高光譜圖像數據的波段數。

4.根據權利要求3所述的高光譜圖像分類的方法，其特征在于，在將原始數據以立方體形式輸入到高光譜圖像分類網絡時，以中心像元p所屬的類別作為樣本所屬的類別；通過學習識別中心像元p與其周圍像元的空間特征信息，并利用整體的光譜波段特征信息，進行光譜特征信息的識別學習。