申请/专利权人：桂林理工大学

申请日：2022-05-18

公开（公告）日：2024-03-22

公开（公告）号：CN114782821B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/26;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种联合多种迁移学习策略的滨海湿地植被遥感识别方法。该方法通过整合递归特征消除和主成分分析对无人机数据进行降维，降低了模型训练的时间成本，并提高了模型对红树林群落的识别能力；通过改进卷积神经网络的结构，提高了卷积神经网络的分割性能，进而提高了深度学习模型对红树林群落的边界的判别能力；通过运用不同的迁移学习策略，使得深度学习模型能低成本的应用于不同的红树林湿地，并提高了模型对红树林群落的分类精度和效率。

主权项：1.一种联合多种迁移学习策略的滨海湿地植被遥感识别方法，其特征在于包括如下步骤：步骤1：选取无人机多光谱影像，并对无人机多光谱影像进行预处理；步骤2：制作深度学习语义标签；步骤3：计算纹理特征和植被指数；步骤4：利用RFE-PCA方法进行数据降维；其中，通过联合递归特征消除和主成分分析，对多维度遥感数进行降维，进而降低深度学习模型的训练时间，并提高模型的分类性能；步骤5：构建训练样本集；步骤6：设计多维遥感数据组合方案；步骤7：扩展训练样本集；步骤8：设计一种基于混合深度卷积改进的编码-解码器语义分割网络M-IEDNet；M-IEDNet由编码器和解码器两部分构成，其中编码器由基于混合深度卷积改进的AlignedXception网络和基于深度可分离空洞卷积的空间金字塔池化DSASPP组成，而解码器由级联上采样卷积模块组成；在编码器部分，设置5×5、7×7、9×9卷积核，通过增加大感受野的卷积核来提升模型的性能，同时将原空洞空间金字塔池化ASPP中的卷积均替换为深度可分离卷积，即为DSASPP；在解码器部分，由四个2倍上采样卷积模块组成，采用级联上采样的方式将四种不同的低级位置特征与高级语义信息进行融合；步骤9：结合M-IEDNet算法与多种数据组合方案以构成多种分类模型，并对模型进行训练；步骤10：将步骤8的训练模型的参数作为其他方案的基准，采用不同的迁移学习策略进行迁移学习训练；步骤11：对每种方案对应的数据进行滨海湿地物种分布图的预测。

全文数据：

权利要求：

百度查询： 桂林理工大学 一种联合多种迁移学习策略的滨海湿地植被遥感识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD