申请/专利权人：西南交通大学

申请日：2023-11-23

公开（公告）日：2024-04-12

公开（公告）号：CN117274725B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/74;G06V10/80;G06V10/44;G06V10/58;G06V10/62;G06V20/10;G06N3/0464;G06N3/0442;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明提供了一种基于张量ConvLSTM的高光谱图像分类方法和装置，涉及遥感图像处理技术领域，包括基于卷积核构建张量顺序卷积层，将已分类的高光谱图像数据发送至张量顺序卷积层，得到空间特征；构建全张量卷积长短时记忆单元，将空间特征发送至全张量卷积长短时记忆单元，得到空谱特征；将空谱特征进行分类训练，将训练结果和已分类的高光谱图像数据的类型标签进行匹配度计算，构建高光谱分类模型，将待分类的高光谱图像数据发送至所述高光谱分类模型，得到分类结果。本发明可以同时压缩模型参数量和计算量，也可以获得比原始模型更准确的高光谱图像分类结果，还保护了模型对特征提取能力。

主权项：1.一种基于张量ConvLSTM的高光谱图像分类方法，其特征在于，包括：获取第一信息和第二信息，所述第一信息包括已分类的高光谱图像数据和所述已分类的高光谱图像数据对应的类型标签，所述第二信息包括待分类的高光谱图像数据；基于预设数量的卷积核构建张量顺序卷积层，将所述已分类的高光谱图像数据发送至张量顺序卷积层，得到所述已分类的高光谱图像数据的空间特征；基于所述张量顺序卷积层和预设的非线性激活函数构建全张量卷积长短时记忆单元，将所述空间特征发送至全张量卷积长短时记忆单元，得到已分类的高光谱图像数据的空谱特征；将所述空谱特征发送至预设的全局池化层和预设的全连接层进行分类训练，得到训练结果，所述训练结果为基于空谱特征对所述已分类的高光谱图像数据进行分类的结果；将所述训练结果和所述类型标签发送至匹配度计算模型，若所述匹配度计算模型计算得到的结果大于预设阈值，则基于所述全张量卷积长短时记忆单元、所述全局池化层和所述全连接层构建高光谱分类模型；将所述第二信息发送至所述高光谱分类模型，得到所述第二信息的分类结果；其中，将所述已分类的高光谱图像数据发送至张量顺序卷积层，包括：将当前时刻输入的已分类的高光谱图像数据和前一时刻全张量卷积长短时记忆单元输出的数据进行级联处理，其中，将所有门结构的卷积核权重级联为一个张量数据；将所述张量数据输入到所述张量顺序卷积层中，并将顺序卷积层的运算结果沿通道维度被分成四个大小相等的部分，得到所述已分类的高光谱图像数据的空间特征；其中，将所述张量数据输入到所述张量顺序卷积层中，包括： 其中，和为级联后重构的输入和输出张量数据；l∈[1，m]和l∈[m+1，m+n]分别是小尺寸的输入和输出卷积核，且和分别是级联后的数据的输入和输出通道数；m和n分别输入和输出卷积核的个数；和是输入和输出通道的分解因子；是张量秩；l是它们的索引；g是非线性激活函数；所述全张量卷积长短时记忆单元，包括： 其中，和分别表示当前时刻的输入、输出和状态数据，和分别表示前一时刻的输出和状态数据；和分别表示输入、遗忘和输出门的输出；是当前时刻的状态更新量；和为上述相应变量的中间变量；W和H是数据的空间维度的宽和高；和分别代表在输入门、遗忘门、状态更新和输出门中与当前时刻输入数据做卷积运算的卷积核权重张量；和分别代表在输入门、遗忘门、状态更新和输出门中与前一时刻输出数据做卷积运算的卷积核权重张量；的尺寸为k×k×C×S，的尺寸为k×k×S×S，[·]代表i、f、c或o；表示偏置值；C和S是卷积核的输入和输出通道数；k是卷积核的尺寸；*和○分别是卷积和哈德玛积运算；σ和tanh是非线性激活函数；·表示级联操作；为和沿第四个维度级联后的权重张量；为和沿第四个维度级联后的权重张量；为和沿第三个维度级联后的权重张量；ETT·表示顺序卷积层。

全文数据：

权利要求：

百度查询： 西南交通大学 基于张量ConvLSTM的高光谱图像分类方法和装置

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