申请/专利权人：桂林理工大学

申请日：2023-12-31

公开（公告）日：2024-04-09

公开（公告）号：CN117853796A

主分类号：G06V10/764

分类号：G06V10/764;G06V20/10;G06V10/40;G06V10/58;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.04.09#公开

摘要：本发明提供了一种基于残差挤压激励的数据融合分类方法，属于遥感数据地物分类领域。采用编码器解码器结构的网络模型，通过引入挤压激励（squeezeandexcitation,SE）和结构化随机失活（DropBlock）的方式构建残差挤压激励块（residualsqueezeandexcitation，RSE），以改进深度残差网络。本发明中的残差挤压激励块通过明确卷积特征通道之间的相互依赖关系，增强了网络生成的表示质量，使网络能够更好地捕捉特征，解决了深度学习网络中梯度爆炸和网络退化等问题，提高了模型的泛化能力；通过学习使用全局信息来选择性地强调信息性特征，并抑制不太有用的特征，从而增加了特征的稳健性，进一步提高了遥感数据地物分类的准确度。

主权项：1.一种基于残差挤压激励的数据融合分类方法，其特征在于，所述方法包括：在预处理阶段，输入LiDAR（激光雷达）和高光谱（HSI）数据集，对两种遥感数据集进行预处理；在特征提取阶段，引入挤压激励机制SE和结构化随机失活DropBlock，改进深度残差网络，设计残差挤压激励模块（RSE），并应用编码器解码器结构，构建双通道残差挤压激励网络（SE-ResNet）模型，从而分别完成光谱-空间、高程特征图的提取；在特征融合与分类阶段，建立由挤压激励模块和卷积层组成的融合分类网络，替换原有的分类层，来完成异构特征的深度融合与分类；将遥感数据集输入改进后的网络模型中进行训练和测试；得到遥感数据融合分类模型，输出分类结果。

全文数据：

权利要求：

百度查询： 桂林理工大学 一种基于残差挤压激励的数据融合分类方法

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