[發(fā)明專利]用于高光譜圖像分類的全局學(xué)習(xí)裝置及方法

在審

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

本發(fā)明提供一種用于高光譜圖像分類的全局學(xué)習(xí)裝置及方法。該裝置包括：編碼器和解碼器；編碼器按照?qǐng)D像處理順序依次包括光譜維調(diào)整層、第一特征提取層和第二特征提取層；第一特征提取層包括堆疊在一起的三個(gè)MLBSA結(jié)構(gòu)層；MLBSA結(jié)構(gòu)層包括三個(gè)洗牌光譜注意SSA模塊、兩個(gè)MLB層和一個(gè)下采樣層；第一個(gè)SSA模塊的輸入通過Zero?padded卷積模塊之后與下采樣層的輸出進(jìn)行相加融合操作后的輸出作為MLBSA結(jié)構(gòu)層的輸出；解碼器按照?qǐng)D像處理順序依次包括第一上采樣層、Concat層和輸出層；第一特征提取層中的第一個(gè)MLBSA結(jié)構(gòu)層的輸出作為第一上采樣層的輸入，第二特征提取層的輸出與第一上采樣層的輸出經(jīng)過Concat層進(jìn)行融合，融合結(jié)果經(jīng)輸出層處理以完成高光譜圖像的分類。

技術(shù)領(lǐng)域

本發(fā)明涉及高光譜圖像分類技術(shù)領(lǐng)域，尤其涉及一種用于高光譜圖像分類的 全局學(xué)習(xí)裝置及方法。

背景技術(shù)

高光譜成像技術(shù)可同時(shí)探測(cè)到目標(biāo)物體的二維幾何空間信息和一維連續(xù)的 光譜信息，使得高光譜圖像具有“圖譜合一”的特點(diǎn)。幾何空間信息可以反映出 目標(biāo)物體的大小，形狀等外部特征，而光譜信息能夠反映目標(biāo)物體內(nèi)部的物理結(jié) 構(gòu)和化學(xué)成分。因此，高光譜遙感被廣泛應(yīng)用于巖礦物質(zhì)檢測(cè)、海洋植物檢測(cè)、 水資源應(yīng)用與土地資源利用等領(lǐng)域。

如何構(gòu)建一種更準(zhǔn)確有效的分類方法是高光譜遙感技術(shù)應(yīng)用中的一個(gè)關(guān)鍵 的問題。傳統(tǒng)的分類算法，如支持向量機(jī)(SVM)、三維小波變換、高斯混合 等通常采用波段選擇和特征提取的方式來降低原始圖像的維數(shù)，將圖像投影到低 層特征空間。這些方法往往改變了原始圖像的波段相關(guān)性，丟失了部分光譜信息， 無法充分提取到高光譜圖像中抽象特征，從而影響了分類精度。

近年來，隨著深度學(xué)習(xí)技術(shù)應(yīng)用與發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)構(gòu)建 的算法模型已經(jīng)被廣泛應(yīng)用到圖像分類(Lecun Y,Bottou L.Gradient-based learning appliedto document recognition[J].Proceedings of the IEEE,1998, 86(11):P.2278-2324.)，語音識(shí)別，目標(biāo)檢測(cè)，圖像語義分割等多個(gè)領(lǐng)域，CNN 表現(xiàn)出了強(qiáng)大特征提取能力。越來的越多的研究者使用CNN取代傳統(tǒng)分類方法， 應(yīng)用于高光譜圖像分類中。當(dāng)前基于CNN的分類模型朝向了更深或更寬層的復(fù) 雜結(jié)構(gòu)演進(jìn)。雖然在一定程度上取得不錯(cuò)效果，但是深層意味著網(wǎng)絡(luò)模型具有更 多的參數(shù)，這不僅增加了計(jì)算開銷，分類速度低，同時(shí)對(duì)計(jì)算機(jī)硬件設(shè)備要求更 高。

發(fā)明內(nèi)容

為了提高高光譜圖像的分類準(zhǔn)確度和分類速度，本發(fā)明提供一種用于高光譜 圖像分類的全局學(xué)習(xí)裝置及方法。

一方面，本發(fā)明提供一種用于高光譜圖像分類的全局學(xué)習(xí)裝置，包括：編碼 器和解碼器；所述編碼器按照?qǐng)D像處理順序依次包括光譜維調(diào)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(gè)MLBSA結(jié) 構(gòu)層；所述MLBSA結(jié)構(gòu)層包括三個(gè)洗牌光譜注意SSA模塊、兩個(gè)MLB層和一個(gè) 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(jié)構(gòu)層的最后一個(gè)子層；第一個(gè)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(jìn)行相加融合操作后的輸出作 為所述MLBSA結(jié)構(gòu)層的輸出；所述MLB層表示改進(jìn)的線性瓶頸層；

所述解碼器按照?qǐng)D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(gè)MLBSA結(jié)構(gòu)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(jīng)過所述Concat 層進(jìn)行融合，融合結(jié)果經(jīng)所述輸出層處理以完成高光譜圖像的分類。

進(jìn)一步地，所述光譜維調(diào)整層包括三個(gè)子層，由淺層至深層依次為SSA模塊、 1×1卷積層和MLB層。

進(jìn)一步地，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。