申请/专利权人：南京信息工程大学

申请日：2024-04-16

公开（公告）日：2024-05-17

公开（公告）号：CN118053051A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/77;G06V10/80;G06V10/82;G06V20/10;G06N3/045;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了基于超像素自注意力机制的高光谱遥感图像分类方法，包括：对输入高光谱遥感图像进行PCA降维处理，选取出降维图像的第一主成分；基于第一主成分进行SLIC超像素分割标记，得到多个尺度的超像素块；输入到超像素注意力网络分类模型，该模型包括超像素间注意力模块、超像素内注意力模块、双分支特征融合与分类网络；分别获得图像的两种像素特征表示，并通过双分支特征融合与分类网络进行特征表示融合与预测分类，输出像素标签类别；设计超像素注意力网络分类模型的损失函数并进行训练；将测试集输入到训练好的超像素注意力网络分类模型，获得符合要求的测试分类精度，完成高光谱遥感图像的分类。

主权项：1.基于超像素自注意力机制的高光谱遥感图像分类方法，其特征在于，针对高光谱遥感图像，执行如下步骤S1-步骤S5，完成高光谱遥感图像的分类：步骤S1：采集包含各种类地物的高光谱遥感图像，对高光谱遥感图像进行降维和提取主成分处理，将降维后所提取的第一主成分，作为超像素分割的基础；步骤S2：针对所提取的第一主成分，采用SLIC方法对第一主成分进行超像素分割，得到多个不同尺度的超像素块，以所得到的超像素块构建训练集和测试集；步骤S3：构建超像素注意力网络分类模型，模型包括超像素间注意力模块、超像素内注意力模块、双分支特征融合与分类网络；将步骤S2分割获得的超像素块分别输入超像素间注意力模块、超像素内注意力模块，其中超像素间注意力模块基于注意力机制，计算不同超像素块之间的特征联系，经过超像素和像素信息的交互，获得像素特征表示X1；超像素内注意力模块根据输入的超像素块，计算块内像素间的关联度，得到像素特征表示X2；将像素特征表示X1、X2输入到双分支特征融合与分类网络进行特征融合，并进行像素所属地物种类的标签预测，输出像素所属地物种类的预测标签；步骤S4：将训练集输入到超像素注意力网络分类模型中，根据损失函数，利用Adam优化器优化模型中需要迭代和更新的参数，直至超像素注意力网络分类模型达到预设迭代次数，训练完成；步骤S5：针对训练好的超像素注意力网络分类模型，利用测试集进行测试，直至测试集分类精度达到要求，应用超像素注意力网络分类模型，完成高光谱遥感图像中各像素所属地物的分类。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于超像素自注意力机制的高光谱遥感图像分类方法

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