[发明专利]一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法

权利要求书

1.一种改进的ConvNeXt卷积神经网络，其特征在于，所述改进的ConvNeXt卷积神经网络从前至后为Conv1层、层正则化、ConvNeXT网络、注意力机制模块、全连接层以及并行的随机节点采样器、图卷积网络、全连接层；

所述ConvNeXT网络包括Stage1、Stage2、Stage3和Stage4，其中，Stage1包括多个ConvNeXT Block、Stage2包括多个ConvNeXT Block、Stage3包括多个ConvNeXT Block、Stage4包括多个ConvNeXT Block。

2.一种遥感图像的分类方法，应用于权利要求1所述的一种改进的ConvNeXt卷积神经网络中，其特征在于，包括：

获取遥感图像，将所述遥感图像处理为224×224×3的图像；

对所述处理过的遥感图像分别进行下采样、全局特征提取和局部特征提取，然后输入到平均池化层和全连接层得到大小为1×1×1000的第一特征向量；

对所述处理过的遥感图像分别进行上下文信息建模、随机结点采样器和图卷积网络后，输入平均池化层和全连接层得到大小为1×1×1000的第二特征向量；

将所述第一特征向量和第二特征向量使用加法策略融合，获取融合后的特征；

将所述融合后的特征输入到全连接层和Softmax分类层中预测得到最终的分类结果。

3.根据权利要求2所述的遥感图像的分类方法，其特征在于，对所述处理过的遥感图像分别进行下采样、全局特征提取和局部特征提取，然后输入到平均池化层和全连接层得到大小为1×1×1000的第一特征向量，包括：

对所述处理过的遥感图像进行下采样，得到56×56×96的特征图；

将下采样得到的56×56×96的特征图使用深度卷积提取全局特征；

将提取全局特征后的特征图采用注意力机制进行局部特征提取，获得包含全局特征和局部特征的特征图；

将所述包含全局特征和局部特征的特征图输入平均池化层和全连接层得到大小为1×1×1000的第一特征向量。

4.根据权利要求2所述的遥感图像的分类方法，其特征在于，对所述处理过的遥感图像分别进行上下文信息建模、随机结点采样器和图卷积网络后，输入平均池化层和全连接层得到大小为1×1×1000的第二特征向量，包括：

将所述处理过的遥感图像通过图结构进行上下文信息建模，获取图像空间信息；

使用遥感图像中的像素点构造顶点集，根据所述图像空间信息确定顶点之间的关系，构造邻接图；

将所述邻接图输入随机节点采样器，重复采样邻接图中的顶点，直至所有顶点均被采样，生成一组子图；

将所述子图输入图卷积网络，提取所述子图的上下文特征；

将所述提取上下文特征后的子图输入平均池化层和全连接层得到大小为1×1×1000的第二特征向量。

5.根据权利要求3所述的遥感图像的分类方法，其特征在于，所述将提取全局特征后的特征图采用注意力机制进行局部特征提取，获得包含全局特征和局部特征的特征图，包括：

将提取全局特征后的特征图切分为S份,然后采用多尺度卷积核分组卷积的方式提取空间信息；其中，卷积核大小K和组数G设置如下所示：

提取空间信息后，级联各部分特征图得到多尺度融合的特征图，整个过程具体计算如下所示：

F_i＝Conv(K_i,K_i,G_i)(X_i),i＝0,...,S-1

F＝Concat([F₀,...,F_S-1])

经过注意力机制模块之后，使用ECA得到通道级注意力向量尺度特征；

采用Softmax函数对所述通道级注意力向量尺度特征进行重校正，将校正后的注意力向量作用于多尺度融合的特征图，得到一个多尺度信息更为丰富的特征图；

将所述多尺度信息更为丰富的特征图添加至池化层和全连接层，最终得到一个包含全局特征和局部特征的特征向量F_CNN,AM∈R¹⁰⁰⁰。