[发明专利]金字塔多尺度卷积和自注意力结合的高光谱图像分类方法

权利要求书

1.金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于，包括以下步骤：

一：对要分类的高光谱图像进行基于数据立方体的分割；

二：对分割后的图像采用光谱特征提取网络提取高光谱图像的光谱特征特征图；

三：对光谱特征提取网络提取后的特征图采用空间特征提取网络提取高光谱图像的空间特征特征图；

四：空间特征特征图经分类网络生成分类结果；

其中，步骤二中所述的光谱特征提取网络由3个光谱金字塔卷积块、1个光谱PSA分支块和4个Conv-BN-PReLU卷积块组成；

步骤三中所述的空间特征提取网络由3个空间金字塔卷积块、1个空间PSA分支块和2个Conv-BN-PReLU卷积块组成；

步骤四中所述的分类网络包含平均池化层、BN层、Mish映射和1个线性层；

步骤二光谱特征提取网络采用残差聚合和一次性聚合保留网络的前期特征图信息；

步骤三中所述空间金字塔卷积块之间采用一次性聚合；

光谱金字塔卷积块中采用伪3D光谱卷积核；空间金字塔卷积块中采用伪3D空间卷积核。

2.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：Conv-BN-PReLU卷积块由1个卷积层、1个BN层和1个PReLU激活函数组成。

3.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：特征图被送入光谱金字塔卷积块，在3个光谱金字塔卷积块之后，用一次性聚合构造光谱金字塔卷积块的输出；特征图被送入空间金字塔卷积块，在3个空间金字塔卷积块之后，用一次性聚合构造空间金字塔卷积块的输出。

4.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：步骤二：图像送入Conv-BN-PReLU卷积块增加特征图的维度，之后特征图送入光谱金字塔卷积块，在3个光谱金字塔卷积块之后用一次性聚合构造光谱金字塔卷积块的输出特征图；光谱金字塔卷积块的输出特征图然后用2个Conv-BN-PReLU卷积块转换尺寸；再通过重塑层送入PSA进行计算，而后再通过重塑层送入1个Conv-BN-PReLU卷积块和重塑层输出光谱注意力特征图；最后将光谱注意力特征图与输入数据x_i进行残差聚合，即获得光谱特征特征图。

5.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：步骤三：光谱特征特征图用1个Conv-BN-PReLU卷积块压缩数据的光谱维度，并增加特征图维度；再送入空间金字塔卷积块提取空间信息，在3个空间金字塔卷积块之后用一次性聚合构造空间金字塔卷积块的输出特征图；空间金字塔卷积块的输出特征图然后用1个Conv-BN-PReLU卷积块转换尺寸后通过重塑层送入PSA进行计算，即获得空间特征特征图。

6.根据权利要求1所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：步骤四：空间特征特征图用平均池化层、BN层、Mish映射收敛，然后通过重塑层送入线性层，获得分类结果。

7.根据权利要求1或3所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：光谱金字塔卷积块包含平行的3个卷积层，提取多尺度光谱特征采用串联运算以融合特征，并用BN和PReLU为网络块提供稳定性和非线性；然后用1个Conv-BN-PReLU卷积块减少特征图的维度并提供输出FM_out。

8.根据权利要求1或3所述的金字塔多尺度卷积和自注意力结合的高光谱图像分类方法，其特征在于：空间金字塔卷积块包含平行的3个卷积层，提取多尺度空间特征，采用串联运算以融合特征，并用BN和PReLU为网络块提供稳定性和非线性；然后用1个Conv-BN-PReLU卷积块减少特征图的维度并提供输出FM_out。