申请/专利权人：武汉理工大学

申请日：2022-05-31

公开（公告）日：2024-04-12

公开（公告）号：CN114882292B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V20/05;G06V10/74;G06V10/77;G06V10/26;G06T7/33;G06T3/4053;G06N3/042;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明公开了一种基于跨样本关注机制图神经网络的遥感影像海洋目标识别方法，该方法包括如下步骤：获取数据；数据预处理；超像素分割；影像解译；样本制作；数据集生成；网络构建；CSGAN训练；验证分析。本发明的目的是提供一种方法，可以充分利用遥感对象的语义信息，通过跨样本关注机制聚合来自不同样本的遥感对象语义信息，以实现遥感影像中海洋目标的识别提取。

主权项：1.基于跨样本关注机制图神经网络的遥感影像海洋目标识别方法，其特征在于，包括：S1：采集预设研究区域的高分辨率遥感影像；S2：对采集的高分辨率遥感影像进行预处理；S3：对预处理后的高分辨率遥感影像进行超像素分割，得到矢量超像素分割数据，其中，矢量超像素分割数据包含ID；S4：对得到的矢量超像素分割数据进行标注和栅格化，得到标注图像数据；根据矢量超像素分割数据的ID对超像素进行栅格化，得到对象掩膜图像数据；S5：对预设研究区域的预处理后的高分辨率遥感影像、标注图像数据以及超像素对象序号掩膜图像数据进行裁剪取样，构建遥感影像样本，并进行分组，其中，每一组遥感影像样本包括一个中心样本和四个边缘样本；S6：生成的遥感影像样本按照预设比例划分为训练集、验证集和测试集；S7：搭建基于跨样本关注机制的图神经网络模型，该网络模型包括骨干网络、图内关注模块、跨样本关注模块以及输出模块，其中，骨干网络用于从输入的数据中提取影像特征，图内关注模块用于将影像特征与对象掩膜进行叠加生成图节点特征，并使用图关注机制进行样本内的语义信息关注；跨样本关注模块用于根据样本内的语义信息关注将中心样本与每一个边缘样本进行跨样本关注，得到最终的节点特征，输出模块用于根据最终的节点特征得到超像素分类结果，并将超像素分类结果与超像素对象掩膜进行叠加，得到整个样本图像的语义分割结果；S8：利用划分的训练集对基于跨样本关注机制的图神经网络模型进行训练，得到训练好的模型；S9：利用训练好的模型进行遥感影像海洋目标识别；其中，图内关注模块使用图关注机制进行样本内的语义信息关注，包括：计算两两图节点间的余弦相似度；根据余弦相似度得到相似度关注权重；将相似度关注权重与图节点特征进行矩阵叉乘，得到样本内的语义信息关注结果，其中样本内的语义信息关注结果中聚合了同一样本中包含的不同超像素对象的信息；跨样本关注模块根据样本内的语义信息关注将中心样本与每一个边缘样本进行跨样本关注，得到超像素分类结果，包括：根据中心样本和边缘样本的像素交并比，获得中心样本对象与边缘样本对象的邻接关注权重；根据相似度关注权重与邻接关注权重得到跨样本关注权重；根据跨样本关注权重与图内关注模块生成的特征，得到聚合有边缘样本信息的中心样本的节点特征；根据得到的聚合有边缘样本信息的中心样本的节点特征，得到最终的节点特征。

全文数据：

权利要求：

百度查询： 武汉理工大学 基于跨样本关注机制图神经网络的遥感影像海洋目标识别方法

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