[發(fā)明專利]一種基于時序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法

在審

• 申請?zhí)枺?/td>: 202210919289.1
• 申請日: 2022-08-02
• 公開（公告）號: CN115439754A
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計）人: 張洪艷;王子橋;楊光義;張良培
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V20/10;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于時序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法，其特征在于，包括以下步驟：

步驟1，構(gòu)建時序光譜網(wǎng)絡(luò)TSNet，利用堆疊的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從源域的時序遙感影像中提取農(nóng)作物樣本具有表征性和判別性的深度特征，通過自注意力模型自適應(yīng)地提取泛化的深度物候特征，利用交叉熵?fù)p失完成時序光譜網(wǎng)絡(luò)在源域的預(yù)訓(xùn)練；

步驟2，利用步驟1得到的預(yù)訓(xùn)練TSNet，構(gòu)建物候?qū)R網(wǎng)絡(luò)，利用雙分支結(jié)構(gòu)分別接收源域和目標(biāo)域的農(nóng)作物樣本，提取源域和目標(biāo)域農(nóng)作物樣本各自的多層次深度物候特征；

步驟3，構(gòu)建多層次深度特征對齊損失，約束源域和目標(biāo)域農(nóng)作物樣本深度物候特征的分布距離，將源域得到的預(yù)訓(xùn)練TSNet遷移到目標(biāo)域上，完成準(zhǔn)確的跨物候區(qū)農(nóng)作物制圖。

2.如權(quán)利要求1所述一種基于深度遷移網(wǎng)絡(luò)和時序遙感影像的跨物候區(qū)農(nóng)作物制圖方法，其特征在于：步驟1中，從時序遙感影像中提取的多光譜-多時相輸入數(shù)據(jù)為其中L_T為樣本的時序長度，L_S為樣本的光譜通道個數(shù)，因此x可以被進(jìn)一步展開為且每個時相的輸入x_i包含作物在該時刻的多光譜信息；序列數(shù)據(jù)被第一層門循環(huán)單元層接收作為輸入數(shù)據(jù)并被編碼成隱藏層狀態(tài)其中表示第i層GRU所輸出的隱藏層狀態(tài)，h為隱藏向量的維度；H₁被當(dāng)作第二層GRU的序列輸入數(shù)據(jù)，進(jìn)一步被編碼得到如此直至最后一層，堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)模塊從原始多光譜-多時相數(shù)據(jù)中提取多尺度、由淺到深的深度物候特征并輸出；循環(huán)神經(jīng)網(wǎng)絡(luò)模塊即為門循環(huán)單元層。

3.如權(quán)利要求1所述一種基于時序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法，其特征在于：堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)模塊包括m個循環(huán)神經(jīng)網(wǎng)絡(luò)模塊。

4.如權(quán)利要求1所述一種基于時序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法，其特征在于：利用自注意力機(jī)制對深度隱藏特征H_m進(jìn)行非局部信息提取，其中m為循環(huán)神經(jīng)網(wǎng)絡(luò)模塊的個數(shù)，堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)模塊的輸出H_m尺寸為(L_T,h)，將深度隱藏特征H_m轉(zhuǎn)置得到其尺寸為(h,L_T)，再將H_m與進(jìn)行矩陣相乘操作便可得到尺寸為(L_T,L_T)的注意力圖A，利用Softmax函數(shù)將注意力圖A歸一化到0到1的范圍，此時A便包含各時相之間的相關(guān)依賴關(guān)系，越接近1則連接強(qiáng)度越高，同時也表明此時相具有關(guān)鍵判別性信息；將注意力圖A與原始隱藏特征H_m相乘得到加權(quán)隱藏特征再將與H_m通過殘差結(jié)構(gòu)相加，得到自注意力模塊的最終輸出H_A；

使用特征展平層將運(yùn)算得到的時序光譜網(wǎng)絡(luò)內(nèi)部隱藏狀態(tài)轉(zhuǎn)化為可以輸出的特征形式，如下公式所示，展平層將尺寸為(L_T,h)的自注意力模塊輸出深層物候特征H_A展平為尺寸(1,L_T×h)的一維向量H_F；

H_F＝Flatten(H_A) (1)

之后利用線性層改變矩陣或張量的維度屬性，將尺寸為(L_T×h,K)的加權(quán)矩陣W_Linear，與展平后深度特征H_F進(jìn)行矩陣相乘將其特征維度從L_T×h降至K，對應(yīng)于分類任務(wù)中的K個類別；

其中，K表示輸入數(shù)據(jù)中訓(xùn)練標(biāo)簽的類別數(shù)，之后使用Softmax函數(shù)對向量的值加權(quán)，得到樣本屬于每個類別的概率，并將概率最大的類別被視為預(yù)測類別；一維向量H_L可以展開表示為H_L＝[h_L,1,h_L,2,…,h_L,K]，通過Softmax函數(shù)得到概率軟輸出S＝[s₁,s₂,…,s_K]，再計算交叉熵?fù)p失用于訓(xùn)練時序光譜網(wǎng)絡(luò)。