[發(fā)明專利]用于高光譜圖像分類的全局學習裝置及方法

在審

• 申請?zhí)枺?/td>: 202210563560.2
• 申請日: 2022-05-23
• 公開（公告）號: CN114898157A
• 公開（公告）日: 2022-08-12
• 發(fā)明（設計）人: 黨蘭學;劉崇陽;侯彥娥;左憲禹;劉揚;田軍鋒;林英豪;周黎鳴
• 申請（專利權）人: 河南大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 劉瑩瑩

1.用于高光譜圖像分類的全局學習裝置，其特征在于，包括：編碼器和解碼器；所述編碼器按照圖像處理順序依次包括光譜維調整層、第一特征提取層和第二特征提取層；所述第一特征提取層包括堆疊在一起的三個MLBSA結構層；所述MLBSA結構層包括三個洗牌光譜注意SSA模塊、兩個MLB層和一個下采樣層；其中，所述SSA模塊與所述MLB層相互交叉堆疊；所述下采樣層作為所述MLBSA結構層的最后一個子層；第一個所述SSA模塊的輸入通過Zero-padded卷積模塊之后與所述下采樣層的輸出進行相加融合操作后的輸出作為所述MLBSA結構層的輸出；所述MLB層表示改進的線性瓶頸層；

所述解碼器按照圖像處理順序依次包括第一上采樣層、Concat層和輸出層；所述第一特征提取層中的第一個MLBSA結構層的輸出作為所述第一上采樣層的輸入，所述第二特征提取層的輸出與所述第一上采樣層的輸出經過所述Concat層進行融合，融合結果經所述輸出層處理以完成高光譜圖像的分類。

2.根據權利要求1所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述光譜維調整層包括三個子層，由淺層至深層依次為SSA模塊、1×1卷積層和MLB層。

3.根據權利要求1所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述MLB層包括依次堆疊在一起的第一卷積模塊、第二卷積模塊和第三卷積模塊；其中，第一卷積模塊和第二卷積模塊中由淺層至深層依次由卷積層、GN層和ReLU層組成；第三卷積模塊依次包括卷積層和GN層。

4.根據權利要求1所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述第二特征提取層包括SSA模塊、用于提取全局信息的第一分支提取層、用于提取局部信息的第二分支提取層、特征融合層和第二上采樣層；所述SSA模塊的輸出分別經過所述第一分支提取層和所述第二分支提取層；兩個分支提取層的輸出經過所述特征融合層進行特征融合，特征融合層的輸出經過所述第二上采樣層后的輸出作為所述第二特征提取層的輸出。

5.根據權利要求4所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述第一分支提取層包括兩個相連接的交叉注意力CCA模塊。

6.根據權利要求4所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述第二分支提取層采用空洞空間金字塔池化ASPP結構。

7.根據權利要求1所述的用于高光譜圖像分類的全局學習裝置，其特征在于，所述輸出層包括三個子層，由淺層至深層依次為兩個第四卷積模塊和一個1×1卷積層；所述第四卷積模塊中由淺層至深層依次由卷積層、GN層和ReLU層組成。

8.基于權利要求1至7任一所述的裝置的高光譜圖像分類方法，其特征在于，包括：

采用通用全局隨機分層UGSS采樣策略，將數據集劃分為訓練集、驗證集與測試集；所述數據集是指從高光譜圖像中進行地物樣本抽取后，由抽取的所有地物樣本數據所組成的集合；

利用訓練集和驗證集對權利要求1至7任一所述的裝置進行訓練，得到訓練好的分類模型；

利用所述分類模型對測試集進行分類。

9.根據權利要求8所述的高光譜圖像分類方法，其特征在于，所述SSA模塊依次采用公式(1)、公式(2)和公式(3)對輸入數據進行處理：

s_c＝F_ex(z_c,W)＝W₂(ReLU((GN(W₁(Shuffle(z_c)))))) (2)

其中，z_c表示對第c個波段所有的像素值進行編碼后的值，H和W分別代表高光譜圖像的高度和寬度，u_c(i,j)代表第c個波段中第i行第j列的像素，Shuffle表示Shuffle函數，用于執(zhí)行打亂光譜維來增加交互性的操作，W₁和W₂是表示兩個全連接層，s_c表示經SSA模塊處理后第c個波段的中間輸出，表示經過SSA模塊處理后第c個波段的最終輸出。