[发明专利]基于双分支光谱多尺度注意力网络的高光谱图像分类方法

权利要求书

1.基于双分支光谱多尺度注意力网络的高光谱图像分类方法，其特征在于：所述方法具体过程为：

步骤一、采集高光谱图像数据集X和相对应的标签向量数据集Y；具体过程为：

步骤一一、从高光谱图像数据集X中以目标像素为中心分别提取9×9×L大小的立方体，其中L是光谱波段；9×9代表空间大小；

步骤一二、将高光谱图像数据集X随机分配成x¹,x²,x³,分别表示训练数据、验证数据和测试数据；

同理，Y包括Y₁、Y₂、Y₃；Y₁是x¹的对应标签向量数据，Y₂是x²的对应标签向量数据，Y₃是x³的对应标签向量数据；

步骤二、建立双分支光谱多尺度注意力网络DBSMA；

步骤三、将x¹,x²和Y₁,Y₂输入到建立的双分支光谱多尺度注意力网络DBSMA中，采用Adam算法进行迭代优化，得到最优网络DBSMA；

步骤四、向最优网络DBSMA中输入x³进行分类结果预测；

所述步骤二中建立双分支光谱多尺度注意力网络DBSMA；具体过程为：

双分支光谱多尺度注意力网络DBSMA包括第一输入层、第一三维卷积层、第二三维卷积层、多尺度光谱金字塔密集连接模块、空间密集连接块、空间注意力模块、第七BN批归一化层、第七Mish激活层、第十三维卷积层、光谱注意力模块、第八BN批归一化层、第八Mish激活层、第九BN批归一化层、第九Mish激活层、第一Dropout层、第二Dropout层、全局均值池化层、全连接层以及分类器；

所述多尺度光谱金字塔密集连接模块包括第四BN批归一化层、第四Mish激活层、第六三维卷积层、第十四三维卷积层、第十五三维卷积层、第十六三维卷积层、第二十三三维卷积层、第七三维卷积层、第五BN批归一化层、第五Mish激活层、第八三维卷积层、第十七三维卷积层、第十八三维卷积层、第十九三维卷积层、第二十四三维卷积层、第九三维卷积层、第六BN批归一化层、第六Mish激活层、第十三维卷积层、第二十三维卷积层、第二十一三维卷积层、第二十二三维卷积层、第二十五三维卷积层、第十一三维卷积层；

所述双分支光谱多尺度注意力网络DBSMA连接关系为：

第一输入层的输出层分别连接第一三维卷积层和第二三维卷积层；

第一三维卷积层的输出连接空间密集连接块，空间密集连接块的输出连接空间注意力模块；

第二三维卷积层的输出连接多尺度光谱金字塔密集连接模块，多尺度光谱金字塔密集连接模块的输出连接第七BN批归一化层，第七BN批归一化层的输出连接第七Mish激活层，第七Mish激活层的输出连接第十三三维卷积层，第十三三维卷积层的输出连接光谱注意力模块；

空间注意力模块的输出连接第八BN批归一化层，第八BN批归一化层的输出连接第八Mish激活层，第八Mish激活层的输出连接第一Dropout层；

光谱注意力模块的输出连接第九BN批归一化层，第九BN批归一化层的输出连接第九Mish激活层，第九Mish激活层的输出连接第二Dropout层；

将第一Dropout层的输出和第二Dropout层的输出进行级联，级联后输入全局均值池化层，全局均值池化层的输出连接全连接层，全连接层输出结果通过分类器实现分类。

2.根据权利要求1所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法，其特征在于：所述空间密集连接块包括第一BN批归一化层、第一Mish激活层、第三三维卷积层、第二BN批归一化层、第二Mish激活层、第四三维卷积层、第三BN批归一化层、第三Mish激活层、第五三维卷积层。