CN113920323B - 基于语义图注意力网络的不同混乱度高光谱图像分类方法 - Google Patents
基于语义图注意力网络的不同混乱度高光谱图像分类方法 Download PDFInfo
- Publication number
- CN113920323B CN113920323B CN202111368146.8A CN202111368146A CN113920323B CN 113920323 B CN113920323 B CN 113920323B CN 202111368146 A CN202111368146 A CN 202111368146A CN 113920323 B CN113920323 B CN 113920323B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- convolution
- semantic
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims description 61
- 238000001228 spectrum Methods 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 20
- 239000000945 filler Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 15
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 13
- 235000011613 Pinus brutia Nutrition 0.000 description 13
- 241000018646 Pinus brutia Species 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于语义图注意力网络的不同混乱度高光谱图像分类方法，用于解决在少样本训练网络的情况下不同混乱度高光谱图像分类精度不高，以及谱‑空‑图语义特征丢失的问题。本发明的具体方案是：1)输入高光谱图像，生成样本数不同的训练样本集和测试样本集；2)构建语义图注意力网络；3)将训练样本集分次输入到语义图注意力网络，利用随机梯度下降法对该网络进行训练，直到focalloss损失函数收敛为止；4)将测试样本输入到训练好的语义图注意力网络得到分类结果。本发明能在少训练样本下获得高准确率的分类，可用于对不同混乱度高光谱图像的地物种类探测。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及一种高光谱图像分类技术领域中的一种基于语义图注意力网络的不同混乱度高光谱图像分类方法。本发明可用于土地资源评估、灾害监测中对不同混乱度高光谱图像进行分类。
背景技术
高光谱以其丰富的波段信息记录了地物目标的连续光谱特征，具备了能够进行更多种类地物目标识别和更高精度地目标分类可能性。根据高光谱图像中地物目标类别聚集程度，可将高光谱图像分为低混乱度的高光谱图像以及高混乱度的高光谱图像。常用的低混乱度高光谱图像分类技术的关键在于利用高光谱图像的空间特征和谱间特征对样本类别进行分类，而常用的高混乱度高光谱图像分类技术的关键在于利用高光谱图像的图结构特征对样本类别进行分类。在土地资源评估、灾害监测方面具有重要意义。然而现有的分类方法还是主要依赖大量的训练样本，由于样本标注难以获取，因此在少样本情况下很容易导致过拟合问题，进而影响了样本分类准确率。
北京师范大学在其申请的专利文献“一种基于图神经网络的高光谱图像分类方法”(申请号:202010543653.X申请公布号:CN 111695636 A)中公开了一种基于图神经网络的高光谱图像分类方法。该方法的具体步骤为，首先，对待处理区域的高光谱图像数据进行预处理，对经过预处理的高光谱图像数据进行超像素分割，从而得到分割的超像素。然后，将相邻的所述超像素点组成边，构建图数据。最后，HSGACN图神经网络模型对所述图数据进行训练，得到分类结果。该方法采用基于图神经网络的半监督高光谱图像分类算法，利用少量的标签数据和减少不良边界轮廓的出现，从而提高分类精度。但是，该方法仍然存在的不足之处是，HASGACN图神经网络模型只采用图数据对样本进行分类，因此不适用于低混乱度的高光谱图像进行分类，并且HSGACN图神经网络模型在训练构建后的图数据时，提取到图数据里的许多的冗余信息，无法高效提取到图数据里具有区分性的特征，导致HSGACN整个图神经网络模型在不同混乱度高光谱图像分类中的评价结果的平均精度不高。
华南理工大学在其申请的专利文献“一种基于多图结构的图卷积网络的高光谱图像分类方法”(申请号:201911239364.4申请公布号:CN 111160396 A)中公开了一种基于多图结构的图卷积网络的高光谱图像分类方法。该方法的具体步骤为，(1)读入高光谱图像立方体和训练集；(2)光谱数据重排列得到像素数据矩阵，将得到的像素数据矩阵，进行强制最近邻连接矩阵及空间近邻连接矩阵的构建；(3)利用图卷积神经网络分别对强制最近邻矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积，得到特征矩阵；(4)将特征矩阵进行拼接，利用softmax分类器对拼接的特征矩阵进行分类。该方法基于多图结构的图卷积网络的高光谱图像分类方法，使用多种近邻方式构造图结构，提取高光谱图像的不同特征，从而在训练样本少的情况下得到更高的分类准确率，该方法采用谱-空语义特征与图语义特征对样本进行分类，所以适用于不同混乱度的高光谱图像进行分类。但是，该方法仍然存在的不足之处是，经过图卷积神经网络得到两个特征矩阵进行拼接送入softmax分类器时，只是单纯将这两个特征矩阵进行拼接后送入softmax分类器，割裂了谱-空语义特征与图语义特征之间的联系，没有有效利用谱-空语义特征与图语义特征之间的关联性，导致softmax分类器在不同混乱度高光谱图像分类中的谱-空-图语义特征丢失。
除此上述列举的高光谱图像分类方法之外，目前基于深度卷积神经网络的高光谱图像分类方法都与上述两个方法类似，这些方法都有一定的使用局限性，例如深度卷积神经网络更适用于低混乱度的高光谱图像，而深度图卷积神经网络更适合于高混乱度的高光谱图像，并且这些方法在图语义特征提取时，对图语义特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余，没有获得更具有可分辨性的图语义特征，导致现有技术在不同混乱度高光谱图像分类中的评价结果的平均精度不高，在谱-空语义特征与图语义特征融合时，割裂了谱-空语义特征与图语义特征之间的联系，没有有效利用谱-空语义特征与图语义特征之间的关联性，导致现有技术在不同混乱度高光谱图像分类中存在谱-空-图语义特征丢失。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于语义图注意力网络的不同混乱度高光谱图像分类方法，用于解决在少样本训练网络的情况下不同混乱度高光谱图像分类精度不高，以及谱-空-图语义特征丢失的问题。
本发明的实现上述目的的思路是，本发明构建了一个含有4个子网络的语义图注意力网络，其中第1个子网络为图语义特征提取网络，该子网络中的多路图注意力提取模块，可以从高光谱图像中提取到图语义特征的关键拓扑信息，同时通过降低图卷积中的权重系数，可以有效抑制高光谱图像中提取到图语义特征的无关拓扑信息，得到高光谱图像中有效的图语义特征；因此在少样本情况下将高光谱图像输入语义图注意力网络时，利用第1个子网络的多路图注意力提取模块，可以提取到高光谱图像里更多具有区分性的图语义特征的特点，解决了在少样本训练网络的情况下不同混乱度高光谱图像分类的平均精度不高的问题。本发明构建的语义图注意力网络中第4个子网络功能为将谱-空语义特征与图语义特征融合并且输出高光谱图像的分类结果，该子网络中的平行注意力提取模块，利用卷积中的权重系数将谱-空语义特征与图语义特征进行关联，并且该权重系数会根据高光谱图像高或者低的混乱度来自动调节其关联性，得到更多有效的谱-空-图语义特征。因此，在少样本情况下将高光谱图像输入语义图注意力网络时，利用第4个子网络的平行注意力模块，在谱-空语义特征与图语义特征融合时没有割裂谱-空语义特征与图语义特征之间的关联性的特点。同时，第4个子网络的平行注意力模块还可以根据高光谱图像的高或者低混乱度来增强谱-空语义特征与图语义特征之间的关联性，从而保留更多的谱-空-图语义特征，解决了在少样本训练网络的情况下不同混乱度高光谱图像分类中谱-空-图语义特征丢失的问题。
本发明的实现方案包括如下：
步骤1，构建语义图注意力网络：
(1a)构建语义图注意力网络的第一个子网络，其结构依次为：第1图卷积层，第1归一化层，第2图卷积层，第2归一化层，第3图卷积层，第3归一化层，多路图注意力提取模块；将第1至第3图卷积层的权重系数均设置为128；
所述多路图注意力提取模块，其结构依次为：第1单路图注意力提取模块，第2单路图注意力提取模块，第3单路图注意力提取模块，第1拼接层；
所述单路图注意力提取模块，其结构依次为：第1图卷积层，第2图卷积层，第1相乘层，第1 softmax层，第3图卷积层，第1相加层；将第1至第3图卷积层的权重系数的初始值均设置为0；
(1b)构建语义图注意力网络的第二个子网络，其结构依次为：第1卷积层，第1归一化层，第2卷积层，第2归一化层，第3卷积层，第3归一化层，谱间注意力提取模块；将第1卷积核个数设置为24，卷积核大小设置为1×1×7，长和宽的步长均设置为1，谱步长设置为2，长和宽填充像素均设置为0，谱填充像素设置为3，第2卷积层的卷积个数设置为12，卷积核的大小设置为1×1×7，长、宽和谱步长均设置为1，长和宽的填充像素均设置为0，谱填充像素设置为3，第3卷积层的卷积个数设置为60，卷积核的大小设置为1×1×85，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0；
所述谱间注意力提取模块，其结构依次为：第1 reshape层，第1转置层，第2reshape层，第1相乘层，第1 softmax层，第3 reshape层，第2相乘层，第4 reshape层，第1相加层；将第1 reshape至第3 reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4 reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据；
(1c)构建语义图注意力网络的第三个子网络，其结构依次为：第1尺度操作层，第1卷积层，第1归一化层，第2尺度操作层，第2卷积层，第2归一化层，第3尺度操作层，第3卷积层，第3归一化层，第4拼接层，空间注意力提取模块；将第1至第3卷积层的卷积核的个数均设置为20，卷积核的大小分别设置为5×5×176和3×3×176和1×1×176，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0；将第1尺度操作层的输入数据大小从7×7×176双线性插值成大小为7×7×176的输出数据；将第2尺度操作层的输入数据大小从7×7×176双线性插值成大小为5×5×176的输出数据；将第3尺度操作层的输入数据大小从7×7×176双线性插值成大小为3×3×176的输出数据；
所述空间注意力提取模块，其结构依次为：第1 reshape层，第1转置层，第2reshape层，第1相乘层，第1 softmax层，第3 reshape层，第2相乘层，第4 reshape层，第1相加层；将第1 reshape至第3 reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4 reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据；
(1d)构建语义图注意力网络的第四个子网络，其结构依次为：第1拼接层，平行注意力提取模块，第1全连接层，第1 softmax层；将全连接层的节点个数设置为待分类高光谱图像的类别数；
所述平行注意力提取模块，其结构依次为：第1卷积层，第2卷积层，第1相乘层，第3卷积层，第2相乘层，第1拼接层；将第1至第3卷积层的卷积核个数均设置为120，卷积核的大小均设置为1×1，长和宽的步长均设置为1，长和宽的填充像素均设置为0；
(1e)将第1至第3子网络并联后再与第4子网络级联组成的语义图注意力网络；
步骤2，生成训练集：
(2a)输入一幅高光谱图像，该高光谱图像的分类目标物至少含有10个类别，且每个类别中至少有20个目标；
(2b)对高光谱图像进行填充；
(2c)对填充后高光谱图像中含有目标的元素进行标注；
(2d)以标注后的每个像素为中心，取其邻域大小为7x7x176的高光谱图像块，以该高光谱图像块的像素中心的标注作为该图像块的标注；
(2e)将所有的标注后的图像块组成训练集；
步骤3，训练语义图注意力网络：
(3a)将训练集中所有的图像块的中心点像素输入到语义图注意力网络中第一子网络，输出图语义特征；
(3b)将训练集中所有的图像块中的所有像素分别输入到语义图注意力网络中第二子网络和第三子网络，分别输出谱间语义特征和空间语义特征；
(3d)将图语义特征、谱间语义特征和空间语义特征输入到语义图注意力网络第四个子网络，输出每个图像块的预测标签；
(3e)利用focal loss损失函数，计算所有高光谱图像块的预测标签和真实标签之间的损失值，再利用梯度下降算法，更新语义图注意力网络中所有的参数，直至focal loss损失函数收敛为止，得到训练好的语义图注意力网络；
步骤4，对待分类的高光谱图像进行分类：
(4a)采用与步骤2相同的方法，对待分类的高光谱图像进行处理，得到所有标注后的图像块；
(4b)再将标注后的所有图像块输入到训练好的语义图注意力网络中，输出每个高光谱图像块集合的预测标签。
本发明与现有的技术相比具有以下优点：
第一，本发明利用构建并训练好的多路图注意力提取模块，提取待分类高光谱图像的图语义特征，可以从高光谱图像中提取到图语义特征的关键拓扑信息，同时通过降低图卷积中的权重系数，可以有效抑制高光谱图像中提取到图语义特征的无关拓扑信息，得到高光谱图像中有效的图语义特征，克服了现有技术在图语义特征提取时由于对提取图语义特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余的问题，使得本发明提高了对不同混乱度高光谱图像中地物的分类精度。
第二，本发明利用构建并训练好的平行注意力提取模块，融合谱-空语义特征与图语义特征，利用卷积中的权重系数将谱-空语义特征与图语义特征进行关联，并且该权重系数会根据高光谱图像高或者低的混乱度来自动调节其关联性，得到更多有效的谱-空-图语义特征，克服了现有技术在图语义特征与谱-空语义特征融合时对各自语义特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余的问题，使得本发明保留更多的谱-空-图语义特征，提高了对不同混乱度高光谱图像中地物的一致性检验的精度。
附图说明
图1是本发明的流程图；
图2是本发明中语义图注意力网络的模型结构示意图；
图3是本发明中多路图注意力提取模块的结构示意图；
图4是本发明中单路图注意力提取模块的结构示意图；
图5是本发明中平行注意力提取模块的结构示意图；
图6是本发明的仿真实验1的仿真图；
图7是本发明的仿真实验2的仿真图。
具体实施方式
下面结合附图和实施例，对本发明做进一步的详细描述。
参照图1，对本发明的实现步骤做进一步的描述。
步骤1，构建语义图注意力网络。
参照图2，对本发明构建的语义图注意力网络步骤做进一步的描述。
构建的语义图注意力网络总共有4个子网络，语义图注意力网络中的第一个子网络为图2中的图结构特征提取模块与多路图注意力提取模块，语义图注意力网络中的第二个子网络为图2中的谱间语义特征提取模块与谱间注意力提取模块，语义图注意力网络中的第三个子网络为图2中的空间语义特征提取模块与空间注意力提取模块，语义图注意力网络中的第四个子网络为图2中的平行注意力提取模块、softmax分类层和样本类别。
构建中语义图注意力网络的模型结构构建语义图注意力网络的第一个子网络，其结构依次为：第1图卷积层，第1归一化层，第2图卷积层，第2归一化层，第3图卷积层，第3归一化层，多路图注意力提取模块；将第1至第3图卷积层的权重系数均设置为128。
所述归一化层采用下述公式实现：
其中，R表示归一化处理后的高光谱图像，I表示归一化处理前的高光谱图像，max(·)和min(·)分别表示取最大值和最小值操作。
参照图3，对本发明构建的多路图注意力提取模块做进一步的描述。
多路图注意力提取模块的功能是提取到图结构特征中具有分辨性的图语义特征。
所述多路图注意力提取模块，其结构依次为：第1单路图注意力提取模块，第2单路图注意力提取模块，第3单路图注意力提取模块，第1拼接层。
参照图4，对本发明构建的单路图注意力提取模块做进一步的描述。
所述单路图注意力提取模块，其结构依次为：第1图卷积层，第2图卷积层，第1相乘层，第1 softmax层，第3图卷积层，第1相加层；将第1至第3图卷积层的权重系数的初始值均设置为0。
所述softmax层采用下述公式实现：
其中，P(zi)表示输入数据的第i个像素的概率值，exp(·)表示以自然数e为底的指数函数，zi表示输入数据的第i个像素的像素值，C表示输入数据的像素个数，∑表示求和操作，c表示输入数据中像素的序号，zc表示输入数据中第c个像素的像素值。
构建语义图注意力网络的第二个子网络，其结构依次为：第1卷积层，第1归一化层，第2卷积层，第2归一化层，第3卷积层，第3归一化层，谱间注意力提取模块；将第1卷积核个数设置为24，卷积核大小设置为1×1×7，长和宽的步长均设置为1，谱步长设置为2，长和宽填充像素均设置为0，谱填充像素设置为3，第2卷积层的卷积个数设置为12，卷积核的大小设置为1×1×7，长、宽和谱步长均设置为1，长和宽的填充像素均设置为0，谱填充像素设置为3，第3卷积层的卷积个数设置为60，卷积核的大小设置为1×1×85，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0。
所述谱间注意力提取模块，其结构依次为：第1 reshape层，第1转置层，第2reshape层，第1相乘层，第1 softmax层，第3 reshape层，第2相乘层，第4 reshape层，第1相加层；将第1 reshape至第3 reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据。
所述softmax层采用下述公式实现：
其中，P(zi)表示输入数据的第i个像素的概率值，exp(·)表示以自然数e为底的指数函数，zi表示输入数据的第i个像素的像素值，C表示输入数据的像素个数，∑表示求和操作，c表示输入数据中像素的序号，zc表示输入数据中第c个像素的像素值。
构建语义图注意力网络的第三个子网络，其结构依次为：第1尺度操作层，第1卷积层，第1归一化层，第2尺度操作层，第2卷积层，第2归一化层，第3尺度操作层，第3卷积层，第3归一化层，第4拼接层，空间注意力提取模块；将第1至第3卷积层的卷积核的个数均设置为20，卷积核的大小分别设置为5×5×176和3×3×176和1×1×176，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0；将第1尺度操作层的输入数据大小从7×7×176双线性插值成大小为7×7×176的输出数据；将第2尺度操作层的输入数据大小从7×7×176双线性插值成大小为5×5×176的输出数据；将第3尺度操作层的输入数据大小从7×7×176双线性插值成大小为3×3×176的输出数据。
所述双线性插值采用下述公式实现：
其中，Y(p,q)表示输出数据在坐标(p,q)处的像素值，p的取值范围等于0到输出数据的宽度值，q的取值范围等于0到输出数据的高度值，∑表示求和操作，α＝0,1，β＝0,1λ表示宽度上采样因子，大小等于输入数据的宽度值与输出数据的宽度值的商的两倍，{·}表示取分数部分，h表示高度上采样因子，大小等于输入数据的高度值与输出数据的高度值的商的两倍，X(m,n)表示输入数据在坐标(m,n)处的像素值，
[·]表示整数部分操作。
所述空间注意力提取模块，其结构依次为：第1 reshape层，第1转置层，第2reshape层，第1相乘层，第1 softmax层，第3 reshape层，第2相乘层，第4 reshape层，第1相加层；将第1 reshape至第3 reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4 reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据。
构建语义图注意力网络的第四个子网络，其结构依次为：第1拼接层，平行注意力提取模块，第1全连接层，第1 softmax层；将全连接层的节点个数设置为待分类高光谱图像的类别数。
所述softmax层采用下述公式实现：
其中，P(zi)表示输入数据的第i个像素的概率值，exp(·)表示以自然数e为底的指数函数，zi表示输入数据的第i个像素的像素值，C表示输入数据的像素个数，∑表示求和操作，c表示输入数据中像素的序号，zc表示输入数据中第c个像素的像素值。
参照图5，对本发明构建的平行注意力提取模块做进一步的描述。该平行注意力提取模块是利用卷积中的权重系数将谱-空语义特征与图语义特征进行关联，并且该权重系数会根据高光谱图像高或者低的混乱度来自动调节其关联性，提取到有效的谱-空-图语义特征。
所述平行注意力提取模块，其结构依次为：第1卷积层，第2卷积层，第1相乘层，第3卷积层，第2相乘层，第1拼接层；将第1至第3卷积层的卷积核个数均设置为120，卷积核的大小均设置为1×1，长和宽的步长均设置为1，长和宽的填充像素均设置为0。
将第1至第3子网络并联后再与第4子网络级联组成的语义图注意力网络。
步骤2，生成训练集。
输入一幅高光谱图像，该高光谱图像的分类目标物至少含有10个类别，且每个类别中至少有20个目标。
对高光谱图像进行填充。
所述对高光谱图像进行填充指的是，以高光谱图像的最左上角的点为基准的上方和左边的边缘，填充宽度最小为1个像素点、最大为3个像素点，像素值为0并且不含有分类目标物的图像，得到填充后的高光谱图像。
对填充后高光谱图像中含有目标的元素进行标注。
以标注后的每个像素为中心，取其邻域大小为7x7x176的高光谱图像块，以该高光谱图像块的像素中心的标注作为该图像块的标注。
将所有的标注后的图像块组成训练集。
步骤3，训练语义图注意力网络。
将训练集中所有的图像块的中心点像素输入到语义图注意力网络中第一子网络，输出图语义特征。
将训练集中所有的图像块中的所有像素分别输入到语义图注意力网络中第二子网络和第三子网络，分别输出谱间语义特征和空间语义特征。
将图语义特征、谱间语义特征和空间语义特征输入到语义图注意力网络第四个子网络，输出每个图像块的预测标签。
利用focal loss损失函数，计算所有高光谱图像块的预测标签和真实标签之间的损失值，再利用梯度下降算法，更新语义图注意力网络中所有的参数，直至focal loss损失函数收敛为止，得到训练好的语义图注意力网络。
所述focal loss损失函数如下：
L＝-y*(1-y)r log(y)
其中，L表示预测标签向量与真实标签向量之间的focal loss损失值，y表示预测标签向量，y*表示真实标签向量，r表示focal调节参数。
步骤4，对待分类的高光谱图像进行分类。
采用与步骤2相同的方法，对待分类的高光谱图像进行处理，得到所有标注后的图像块。
再将标注后的所有图像块输入到训练好的语义图注意力网络中，输出每个高光谱图像块集合的预测标签。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的仿真实验的硬件平台为：处理器为Inter core i7-6700,频率为3.4GHz,显卡为Nvidia GeForce GTX1080Ti。
本发明的仿真实验的软件平台为：Ubuntu 18.04操作系统和python3.6。
本发明仿真实验所使用的输入高光谱图像有两种类型：
第一种类型，印第安松树Indian Pines高光谱图像，属于低混乱度的高光谱数据，该高光谱数据采集自美国印第安纳州西北部印第安遥感试验区，成像时间为1992年6月，图像大小为145×145个像素，图像共包含200个波段和16类地物，图像格式为mat。
第二种类型，火烧云Huo Shao Yun高光谱图像，属于高混乱度的高光谱数据，该高光谱数据由张远飞教授团队，采用中国高分五号卫星在中国新疆维吾尔自治区的火烧云地区采集而得，图像大小为2057×1975个像素，图像共包含164个波段和11类地物，图像格式为mat。
2.仿真内容及其结果分析：
本发明共进行两种仿真实验，仿真实验1和仿真实验2均采用本发明和三个现有技术(半监督图卷积神经网络GCN分类方法、小批量图卷积神经网络miniGCN分类方法、光谱空间残差网络2DCNN分类方法)对输入数据进行分类。
仿真实验1的输入数据为第一种类型的印第安松树Indian Pines高光谱图像，仿真实验2的输入数据为第二种类型的火烧云Huo Shao Yun高光谱图像，然后分别获得分类结果图。
在所有的仿真实验中，采用的三个现有技术是指：
现有技术半监督图卷积神经网络GCN分类方法是指，T.N.Kipf等人在“Semi-supervised classification with graph convolutional networks，CoRR，vol.abs/1609.02907，2016.”中提出的高光谱图像分类方法，简称半监督图卷积神经网络GCN分类方法。
现有技术小批量图卷积神经网络miniGCN分类方法是指，Wu H等人在“Graphconvolutional networks for hyperspectral image classification，IEEETransactions on Geoscience andRemote Sensing，pp.1–13，2020.”中提出的高光谱图像分类方法，简称小批量图卷积神经网络miniGCN分类方法。
现有技术光谱空间残差网络2DCNN分类方法是指，Z.Zhong等人在“Spectral-spatial residual network for hyperspectral image classification：A 3-d deeplearning framework，IEEE Transactions on Geoscience and Remote Sensing,vol.56,no.2，pp.847–858，Feb 2018.”中提出的高光谱图像分类方法，简称光谱空间残差网络2DCNN分类方法。
下面结合图6的仿真图对本发明在仿真实验1的效果做进一步描述。
图6(a)为输入的高光谱图像印第安松树Indian Pines的人工标记图，其大小为7×7个像素。图6(b)为采用现有技术的光谱空间残差网络2DCNN分类方法，对印第安松树Indian Pines高光谱图像进行分类的结果图。图6(c)为采用现有技术的小批量图卷积神经网络miniGCN分类方法，对印第安松树Indian Pines高光谱图像进行分类的结果图。图6(d)为采用现有技术的半监督图卷积神经网络GCN分类方法，对印第安松树Indian Pines高光谱图像进行分类的结果图。图6(e)为利用本发明的方法，对印第安松树Indian Pines高光谱图像进行分类的结果图。
下面结合图7的仿真图对本发明在仿真实验2的效果做进一步描述。
图7(a)为输入的高光谱图像火烧云Huo Shao Yun的人工标记图，其大小为7×7个像素。图7(b)为采用现有技术的光谱空间残差网络2DCNN分类方法，对火烧云Huo Shao Yun高光谱图像进行分类的结果图。图7(c)为采用现有技术的小批量图卷积神经网络miniGCN分类方法，对火烧云Huo Shao Yun高光谱图像进行分类的结果图。图7(d)为采用现有技术的半监督图卷积神经网络GCN分类方法，对火烧云Huo Shao Yun高光谱图像进行分类的结果图。图7(e)为利用本发明的方法，对火烧云Huo Shao Yun高光谱图像进行分类的结果图。
由图6(b)和图7(b)可以看出，现有技术的光谱空间残差网络2DCNN分类方法分类结果与小批量图卷积神经网络miniGCN分类方法分类结果相比，噪点较多且边缘平滑性不好，主要因为该方法只提取了高光谱图像像元的空间特征，没有提取图结构特征，导致对分类图像的准确性不高。
由图6(c)和图7(c)可以看出，现有技术的小批量图卷积神经网络miniGCN分类方法结果相比于光谱空间残差网络2DCNN分类方法分类结果，其噪点较少。现有技术的小批量图卷积神经网络miniGCN方法分类只是有效提取了图结构特征，没有利用图像空间特征，导致分类图像的结果空间区域一致性不好。
由图6(d)和图7(d)可以看出，现有技术的半监督图卷积神经网络GCN分类方法分类结果，相比于光谱空间残差网络2DCNN分类方法和小批量图卷积神经网络miniGCN分类方法分类结果，其噪点较少，改善了分类结果的区域一致性。
由图6(e)和图7(e)可以看出，本发明的分类结果相比于三个现有技术的分类结果，其噪点更少，且具有较好的区域一致性和边缘平滑性，证明本发明的分类效果优于前三种现有技术分类方法，分类效果较理想。
利用三个评价指标(每类分类精度、总精度OA、平均精度AA、卡帕系数K)分别对四种方法的分类结果进行评价。利用下面公式，计算总精度OA，平均精度AA，卡帕系数K，每种输入数据的每类地物的分类精度，将所有计算结果分别绘制成表1和表2：
结合表1和表2可以看出，本发明在仿真实验1中总体分类精度OA为94.36％，平均分类精度AA为97.23％，卡帕系数K为93.55％；本发明在仿真实验2中总体分类精度OA为92.21％，平均分类精度AA为89.93％，卡帕系数K为90.97％，在仿真实验1和仿真实验2上，这两个数据上三个指标均高于3种现有技术方法，证明本发明可以得到更高的不同混乱度高光谱图像分类精度。
表1.仿真实验1中本发明和各现有技术分类结果的定量分析表
表2.仿真实验2中本发明和各现有技术分类结果的定量分析表
以上仿真实验表明：本发明的方法利用搭建的语义图注意力网络，利用第1个子网络中的多路图注意力提取模块，可以从高光谱图像中提取到图语义特征的关键拓扑信息，同时通过降低图卷积中的权重系数，可以有效抑制高光谱图像中提取到图语义特征的无关拓扑信息，得到高光谱图像中有效的图语义特征，提高了对不同混乱度高光谱图像中地物的分类精度，利用第4个子网络的平行注意力提取模块，通过卷积中的权重系数将谱-空语义特征与图语义特征进行关联，并且该权重系数会根据高光谱图像高或者低的混乱度来自动调节其关联性，得到更多有效的谱-空-图语义特征，提高了对不同混乱度高光谱图像中地物的一致性检验的精度，解决了现有技术在少样本训练网络的情况下不同混乱度高光谱图像分类的平均精度不高以及谱-空-图语义特征丢失的问题，是一种非常实用的不同混乱度高光谱图像分类方法。
Claims (6)
1.一种基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，利用构建并训练好的多路图注意力提取模块提取待分类高光谱图像的图语义特征，利用构建并训练好的平行注意力提取模块融合谱-空语义特征与图语义特征；该方法具体步骤包括如下：
步骤1，构建语义图注意力网络：
(1a)构建语义图注意力网络的第一个子网络，其结构依次为：第1图卷积层，第1归一化层，第2图卷积层，第2归一化层，第3图卷积层，第3归一化层，多路图注意力提取模块；将第1至第3图卷积层的权重系数均设置为128；
所述多路图注意力提取模块，其结构依次为：第1单路图注意力提取模块，第2单路图注意力提取模块，第3单路图注意力提取模块，第1拼接层；
所述单路图注意力提取模块，其结构依次为：第1图卷积层，第2图卷积层，第1相乘层，第1softmax层，第3图卷积层，第1相加层；将第1至第3图卷积层的权重系数的初始值均设置为0；
(1b)构建语义图注意力网络的第二个子网络，其结构依次为：第1卷积层，第1归一化层，第2卷积层，第2归一化层，第3卷积层，第3归一化层，谱间注意力提取模块；将第1卷积核个数设置为24，卷积核大小设置为1×1×7，长和宽的步长均设置为1，谱步长设置为2，长和宽填充像素均设置为0，谱填充像素设置为3，第2卷积层的卷积个数设置为12，卷积核的大小设置为1×1×7，长、宽和谱步长均设置为1，长和宽的填充像素均设置为0，谱填充像素设置为3，第3卷积层的卷积个数设置为60，卷积核的大小设置为1×1×85，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0；
所述谱间注意力提取模块，其结构依次为：第1reshape层，第1转置层，第2reshape层，第1相乘层，第1softmax层，第3reshape层，第2相乘层，第4reshape层，第1相加层；将第1reshape至第3reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据；
(1c)构建语义图注意力网络的第三个子网络，其结构依次为：第1尺度操作层，第1卷积层，第1归一化层，第2尺度操作层，第2卷积层，第2归一化层，第3尺度操作层，第3卷积层，第3归一化层，第4拼接层，空间注意力提取模块；将第1至第3卷积层的卷积核的个数均设置为20，卷积核的大小分别设置为5×5×176和3×3×176和1×1×176，长、宽和谱的步长均设置为1，长、宽和谱的填充像素均设置为0；将第1尺度操作层的输入数据大小从7×7×176双线性插值成大小为7×7×176的输出数据；将第2尺度操作层的输入数据大小从7×7×176双线性插值成大小为5×5×176的输出数据；将第3尺度操作层的输入数据大小从7×7×176双线性插值成大小为3×3×176的输出数据；
所述空间注意力提取模块，其结构依次为：第1reshape层，第1转置层，第2reshape层，第1相乘层，第1softmax层，第3reshape层，第2相乘层，第4reshape层，第1相加层；将第1reshape至第3reshape层的输入数据的长和宽为3×3拼接成长度为9的输出数据；将第4reshape层的输入数据的长度为9拼接成长和宽为3×3的输出数据；
(1d)构建语义图注意力网络的第四个子网络，其结构依次为：第1拼接层，平行注意力提取模块，第1全连接层，第1softmax层；将全连接层的节点个数设置为待分类高光谱图像的类别数；
所述平行注意力提取模块，其结构依次为：第1卷积层，第2卷积层，第1相乘层，第3卷积层，第2相乘层，第1拼接层；将第1至第3卷积层的卷积核个数均设置为120，卷积核的大小均设置为1×1，长和宽的步长均设置为1，长和宽的填充像素均设置为0；
(1e)将第一至第三子网络并联后再与第四子网络级联组成的语义图注意力网络；
步骤2，生成训练集：
(2a)输入一幅高光谱图像，该高光谱图像的分类目标物至少含有10个类别，且每个类别中至少有20个目标；
(2b)对高光谱图像进行填充；
(2c)对填充后高光谱图像中含有目标的元素进行标注；
(2d)以标注后的每个像素为中心，取其邻域大小为7x7x176的高光谱图像块，以该高光谱图像块的像素中心的标注作为该图像块的标注；
(2e)将所有的标注后的图像块组成训练集；
步骤3，训练语义图注意力网络：
(3a)将训练集中所有的图像块的中心点像素输入到语义图注意力网络中第一子网络，输出图语义特征；
(3b)将训练集中所有的图像块中的所有像素分别输入到语义图注意力网络中第二子网络和第三子网络，分别输出谱间语义特征和空间语义特征；
(3d)将图语义特征、谱间语义特征和空间语义特征输入到语义图注意力网络第四个子网络，输出每个图像块的预测标签；
(3e)利用focal loss损失函数，计算所有高光谱图像块的预测标签和真实标签之间的损失值，再利用梯度下降算法，更新语义图注意力网络中所有的参数，直至focal loss损失函数收敛为止，得到训练好的语义图注意力网络；
步骤4，对待分类的高光谱图像进行分类：
(4a)采用与步骤2相同的方法，对待分类的高光谱图像进行处理，得到所有标注后的图像块；
(4b)再将标注后的所有图像块输入到训练好的语义图注意力网络中，输出每个高光谱图像块集合的预测标签。
2.根据权利要求1所述的基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，步骤(1a)、(1b)和(1c)中所述归一化层均采用下述公式实现：
其中，R表示归一化处理后的高光谱图像，I表示归一化处理前的高光谱图像，max(·)和min(·)分别表示取最大值和最小值操作。
3.根据权利要求1所述的基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，步骤(1a)、(1b)、(1c)和(1d)中所述softmax层均采用下述公式实现：
其中，P(zi)表示输入数据的第i个像素的概率值，exp(·)表示以自然数e为底的指数函数，zi表示输入数据的第i个像素的像素值，C表示输入数据的像素个数，∑表示求和操作，c表示输入数据中像素的序号，zc表示输入数据中第c个像素的像素值。
4.根据权利要求1所述的基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，步骤(1c)中所述双线性插值采用下述公式实现：
其中，Y(p,q)表示输出数据在坐标(p,q)处的像素值，p的取值范围等于0到输出数据的宽度值，q的取值范围等于0到输出数据的高度值，∑表示求和操作，α＝0,1，β＝0,1，λ表示宽度上采样因子，大小等于输入数据的宽度值与输出数据的宽度值的商的两倍，{·}表示取分数部分，h表示高度上采样因子，大小等于输入数据的高度值与输出数据的高度值的商的两倍，X(m,n)表示输入数据在坐标(m,n)处的像素值，[·]表示整数部分操作。
5.根据权利要求1所述的基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，步骤(2b)中所述对高光谱图像进行填充指的是，以高光谱图像的最左上角的点为基准的上方和左边的边缘，填充宽度最小为1个像素点、最大为3个像素点，像素值为0并且不含有分类目标物的图像，得到填充后的高光谱图像。
6.根据权利要求1所述的基于语义图注意力网络的不同混乱度高光谱图像分类方法，其特征在于，步骤(3e)中所述focal loss损失函数如下：
L＝-y*(1-y)r log(y)
其中，L表示预测标签向量与真实标签向量之间的focal loss损失值，y表示预测标签向量，y*表示真实标签向量，r表示focal调节参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368146.8A CN113920323B (zh) | 2021-11-18 | 2021-11-18 | 基于语义图注意力网络的不同混乱度高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368146.8A CN113920323B (zh) | 2021-11-18 | 2021-11-18 | 基于语义图注意力网络的不同混乱度高光谱图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920323A CN113920323A (zh) | 2022-01-11 |
| CN113920323B true CN113920323B (zh) | 2023-04-07 |
Family
ID=79247550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111368146.8A Active CN113920323B (zh) | 2021-11-18 | 2021-11-18 | 基于语义图注意力网络的不同混乱度高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920323B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116484430B (zh) * | 2023-06-21 | 2023-08-29 | 济南道图信息科技有限公司 | 一种智慧心理平台用户隐私数据加密保护方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN111354017A (zh) * | 2020-03-04 | 2020-06-30 | 江南大学 | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112200090A (zh) * | 2020-10-12 | 2021-01-08 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
| CN112580480A (zh) * | 2020-12-14 | 2021-03-30 | 河海大学 | 一种高光谱遥感影像分类方法及装置 |
| WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN113180666A (zh) * | 2021-04-29 | 2021-07-30 | 扬州大学 | 基于双模态Attention-GRU的抑郁症分析模型 |
| CN113255727A (zh) * | 2021-04-25 | 2021-08-13 | 辽宁师范大学 | 可分层密集融合网络的多传感器遥感影像融合分类方法 |
-
2021
- 2021-11-18 CN CN202111368146.8A patent/CN113920323B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
| CN111354017A (zh) * | 2020-03-04 | 2020-06-30 | 江南大学 | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112200090A (zh) * | 2020-10-12 | 2021-01-08 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
| CN112580480A (zh) * | 2020-12-14 | 2021-03-30 | 河海大学 | 一种高光谱遥感影像分类方法及装置 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN113255727A (zh) * | 2021-04-25 | 2021-08-13 | 辽宁师范大学 | 可分层密集融合网络的多传感器遥感影像融合分类方法 |
| CN113180666A (zh) * | 2021-04-29 | 2021-07-30 | 扬州大学 | 基于双模态Attention-GRU的抑郁症分析模型 |
Non-Patent Citations (5)
| Title |
|---|
| Hao Sun 等.Spectral-Spatial Attention Network for Hyperspectral Image Classification.IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING.2020,第58卷(第5期),3232-3245. * |
| Zhongqiang Zhang.S³Net: Spectral–Spatial–Semantic Network for Hyperspectral Image Classification With the Multiway Attention Mechanism. IEEE Transactions on Geoscience and Remote Sensing.2021,1-23. * |
| 梁联晖 等.基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法.光子学报.2021,第50卷(第9期),1-13. * |
| 程鸣洋 等.基于注意力机制的立体匹配网络研究.光学学报.2020,第40卷(第14期),1-9. * |
| 翟鹏博 ; 杨浩 ; 宋婷婷 ; 余亢 ; 马龙祥 ; 黄向生 ; .结合注意力机制的双路径语义分割.中国图象图形学报.2020,25(08),1627-1636. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920323A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| CN109447994B (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
| CN110728192B (zh) | 一种基于新型特征金字塔深度网络的高分遥感图像分类方法 | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
| CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
| CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
| CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
| CN103020265B (zh) | 图像检索的方法和系统 | |
| CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
| CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
| CN111860233B (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
| CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
| CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
| CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
| CN113920323B (zh) | 基于语义图注意力网络的不同混乱度高光谱图像分类方法 | |
| CN113128413A (zh) | 一种人脸检测模型训练方法、人脸检测方法及其相关装置 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| Zhan et al. | A new hyperspectral band selection approach based on convolutional neural network | |
| CN104699781A (zh) | 基于双层锚图散列的sar图像检索方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |