[发明专利]基于注意力机制多尺度深度学习的遥感影像分类方法

权利要求书

1.一种基于注意力机制多尺度深度学习的遥感图像分类方法，其特征在于，包括如下：

(1)建立遥感图像库{I₁,I₂,…I_n…,I_N}，图像库对应的类别为{Y₁,Y₂,…Y_n…,Y_N},并对建立的遥感图像库进行归一化处理，其中I_n代表图像库中第n个图像，Y_n代表图像库中第n个图像对应的类别，n代表图像库中第n个样本编号，n∈[0,N]，N代表遥感图像库的图片数目；

(2)从归一化处理后的每类遥感图像中随机挑选80％的遥感图像样本，构建训练图像库n∈[0,N]，将剩余的20％的遥感图像作为测试样本集{T₁,T₂,…T_d…,T_m},其中T_j表示训练样本中的第j个样本，j∈[0,M]，t_d表示测试样本中第d个样本，d∈[0,m]，M为训练样本的总个数，

m为测试样本的总个数，mN，MN；其中，其中T_j代表训练图像库中第j个图片，j∈[0,M]，

M为训练样本的总个数；

(3)构建一个包括卷积网络模块、注意力模块、SCDA模块和全连接层的卷积神经网络；

(4)确定卷积神经网络的损失函数：

(4a)将训练图像库{T₁,T₂,…T_j…,T_M}输入到卷积层神经网络的卷积网络模块，输出卷积层的最后一层特征F；

(4b)将最后一层特征F输入到卷积神经网络的注意力模块，输出卷积特征A，再将卷积层特征A输入到卷积神经网络带有不同平均阈值的多个SCDA模块，输出T组掩码卷积特征：

{M₁,M₂,…,M_T}，其中T为SCDA模块的个数；

(4c)将T组掩码卷积特征经过全局平均池化后输入到卷积神经网络的全连接层，输出训练数据的分类结果，得到卷积神经网络的损失函数：

其中，loss₁为输出分类结果与实际结果的交叉熵，loss₂为T组掩码卷积特征经过全连接层后输出分类结果与实际结果交叉熵的绝对值和，为卷积神经网络权重向量的L2范数，

λ_r、λ_s、η分别为loss₁，loss₂，的超参数；

(5)设置迭代次数为P，通过梯度下降优化对卷积神经网络进行迭代训练，直到损失函数loss_op不下降或训练轮次数达到迭代次数，得到训练好的卷积神经网络；

(6)用户将待分类的遥感图像I'归一化后输入到训练好的卷积神经网络当中，得到分类结果，完成图片分类。

2.根据权利要求1所述的方法，其特征在于，(1)中对遥感图像库进行归一化处理，通过如下公式进行：

其中V_max为遥感图像库中所有像素的点最大值，V_min为遥感图像库中所有像素的点最小值，

{I'₁,I'₂,…I'_n…,I'_N}为归一化处理后的遥感图像库，I'_n为归一化处理后遥感图像的第n个样本，n∈[0,N]。

3.根据权利要求1所述的方法，其特征在于，(3)中组成卷积神经网络的卷积网络模块、注意力模块、SCDA模块和全连接层，其参数设置如下：

所述卷积网络模块，其由预训练AlexNet网络中依次连接的五个卷积层{conv1,conv2,conv3,conv4,conv5}构成；

所述注意力机制模块，其由全局平均池化层、第一全连接层、Relu激活函数、第二全连接层和Sigmoid函数构成；

所述SCDA模块，依次其由卷积通道求和层和掩码层构成。