[发明专利]一种基于任务图卷积网络的地基云分类方法

权利要求书

1.一种基于任务图卷积网络的地基云分类方法，其特征在于，所述方法包括以下步骤：

步骤S1，获取输入地基云图像，对所述输入地基云图像进行预处理，得到预处理地基云图像，作为任务图卷积网络的输入；

步骤S2，将所述预处理地基云图像输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；

步骤S3，基于所述任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征和基于图卷积的特征，以及每幅输入地基云图像的融合特征表示；

步骤S4，根据所述输入地基云图像的融合特征表示训练支持向量机分类器，得到地基云分类模型；

步骤S5，获取测试输入地基云图像的融合特征表示，并将其输入至所述地基云分类模型中，得到测试输入地基云图像对应的分类结果；

其中，所述步骤S2包括以下步骤：

步骤S21，构建任务图卷积网络，其中，所述任务图卷积网络包括图特征矩阵和邻接矩阵构建模块、图表示学习模块、特征融合层和分类模块；

步骤S22，初始化所述任务图卷积网络中的图特征矩阵和邻接矩阵构建模块、图表示学习模块和分类模块的参数，得到所述任务图卷积网络训练模型；

步骤S23，将所述预处理地基云图像批量输入至所述任务图卷积网络训练模型的图特征矩阵和邻接矩阵构建模块的子网络I和子网络II中进行训练，得到所述任务图卷积网络；

所述步骤S3包括以下步骤：

步骤S31，将所述输入地基云图像批量输入至训练得到的任务图卷积网络中；

步骤S32，提取所述任务图卷积网络中特征融合层的输出作为所述输入地基云图像的融合特征表示。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中对所述输入地基云图像进行预处理的步骤包括以下步骤：

步骤S11，将所述输入地基云图像进行归一化，得到归一化图像；

步骤S12，对所述归一化图像进行水平翻转，得到水平翻转图像；

步骤S13，对所述水平翻转图像进行随机裁剪；

步骤S14，将经随机裁剪后得到的地基云图像中的每个RGB像素值减去相应的预设RGB像素均值，得到预处理地基云图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤S21包括以下步骤：

步骤211，构建所述图特征矩阵和邻接矩阵构建模块中的子网络I和子网络II，将所述预处理地基云图像输入至所述子网络I和子网络II中，学习得到所述预处理地基云图像的深度特征，其中，所述子网络I学习得到的深度特征为所述预处理地基云图像基于卷积神经网络的特征，其作为所述特征融合层的一个输入，同时还用于构建图特征矩阵X，所述图特征矩阵为所述图表示学习模块图的一个输入；所述子网络II学习得到的深度特征用于构建邻接矩阵A，所述邻接矩阵为所述图表示学习模块图的另一个输入；

步骤212，基于所述图特征矩阵X和邻接矩阵A构建图表示学习模块中的图与图卷积层，并基于所述图表示学习模块学习得到所述预处理地基云图像的基于图卷积的特征；

步骤213，将得到的所述预处理地基云图像的基于卷积神经网络的特征和基于图卷积的特征输入至所述特征融合层中，得到所述预处理地基云图像的融合特征；

步骤214，构建分类模块，其中，所述分类模块包括两个全连接层和损失函数。

4.根据权利要求3所述的方法，其特征在于，所述子网络I是一个残差网络，其包括五层卷积层，其中，第一个卷积层后连接一个最大池化层，最后一个卷积层后连接一个平均池化层；所述子网络II也是一个残差网络，其在子网络I结构的基础上附加设置有两个全连接层，第一个全连接层的后面还设置有一个泄露修正线性单元。

5.根据权利要求3所述的方法，其特征在于，构建的图表示学习模块中的图G＝(V,E)是无向全连接图，其中，V是由N个结点组成的结点集合，E是结点之间连接边的集合；构建的图表示学习模块中的图卷积层有Z层。

6.根据权利要求3所述的方法，其特征在于，所述特征融合层采用串联的融合方式融合所述预处理地基云图像的基于卷积神经网络的特征和基于图卷积的特征。