[發明專利]一種基于雙分支網絡模型的云檢測方法有效
| 申請號： | 202310278503.4 | 申請日： | 2023-03-21 |
| 公開（公告）號： | CN115984714B | 公開（公告）日： | 2023-05-23 |
| 發明（設計）人： | 馬楠;周成虎;孫林;董傳祥 | 申請（專利權）人： | 山東科技大學;中國石油大學（華東） |
| 主分類號： | G06V20/13 | 分類號： | G06V20/13;G06V10/26;G06V10/40;G06V10/774;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/08 |
| 代理公司： | 安徽濰達知識產權代理事務所(普通合伙) 34166 | 代理人： | 朱明英 |
| 地址： | 266000 山東省青島市黃島區前灣港路579號*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 分支 網絡 模型 檢測 方法 | ||
1.一種基于雙分支網絡模型的云檢測方法，其特征在于，包括以下步驟：
構建云檢測數據集并設計TransDiffNet云檢測模型；
基于TransDiffNet云檢測模型預測，輸入遙感影像表觀反射率和差異特征，獲得遙感影像云檢測結果；
所述設計TransDiffNet云檢測模型包括采用編碼器進行編碼和采用解碼器進行解碼，所述編碼器為CNN-Transformer模塊和差異特征增強模塊的雙分支結構；
其中所述CNN-Transformer模塊對表觀反射率數據進行特征編碼，所述差異特征增強模塊對差異特征進行特征編碼；
所述CNN-Transformer模塊包括CNN編碼模塊和Transformer編碼模塊，其中所述CNN編碼模塊采用ResNet50結構對輸入圖像進行若干次下采樣生成淺層特征圖，將所述CNN編碼模塊生成的淺層特征圖進行圖像序列化處理得到Transformer編碼模塊的輸入序列，
其中CNN編碼模塊輸出的特征被分為若干個圖像切片，采用如下公式對圖像切片空間位置信息進行編碼學習特定的位置嵌入，并將其添加到圖像切片中以保留位置信息：
其中E為圖像切片嵌入投影，表示位置嵌入，表示一維序列和位置；
所述Transformer編碼模塊根據輸入序列捕獲上下文信息和全局關系，所述Transformer編碼模塊從卷積神經網絡中提取網絡對特征圖的標記圖像塊進行編碼，包括一個歸一化層、一個多層感知器和一個多頭自注意力，
其中所述歸一化層在多頭自注意力和多層感知器之前；
所述多頭自注意力和多層感知器的輸出采用如下公式：
其中LN表示層歸一化算子，表示編碼圖像；
所述差異特征增強模塊包括卷積池化單元和通道空間注意力模塊，差異特征首先進入卷積池化單元，經過卷積池化單元后的輸出特征進入通道空間注意力模塊；
對輸入到通道空間注意力模塊中的特征層進行通道注意力操作和空間注意力操作，在空間和通道兩個維度上完成對特征圖的重新標定。
2.根據權利要求1所述的一種基于雙分支網絡模型的云檢測方法，其特征在于，所述構建云檢測數據集包括：
選取遙感影像有云影像以及對應的無云影像，對所選遙感影像進行輻射定標處理獲得有云影像和無云影像的表觀反射率數據；
對有云影像和無云影像進行差異運算，獲得差異影像；
將差異影像與有云影像的表觀反射率數據進行波段融合，獲得融合影像；
標注獲得有云影像的真實云掩模，將整景遙感影像和對應云掩模裁剪成圖像塊，獲得最終云檢測訓練數據集。
3.根據權利要求2所述的一種基于雙分支網絡模型的云檢測方法，其特征在于，進行所述差異運算采用如下公式：
其中表示差異影像，表示有云影像表觀反射率，表示無云影像表觀反射率，k表示波段，i和j表示第i行，第j列。
4.根據權利要求1所述的一種基于雙分支網絡模型的云檢測方法，其特征在于，所述解碼器包括上采樣單元和跳躍連接，所述解碼器首先對Transformer模塊的輸出進行整形，使用三個所述上采樣單元和三個跳躍連接來恢復特征信息。
5.根據權利要求1所述的一種基于雙分支網絡模型的云檢測方法，其特征在于，反射率特征被輸入到所述CNN-Transformer模塊中，差分特征被輸入到差異特征增強模塊中，采用均方根傳播優化來優化模型參數。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于山東科技大學;中國石油大學（華東），未經山東科技大學;中國石油大學（華東）許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202310278503.4/1.html，轉載請聲明來源鉆瓜專利網。
