[发明专利]基于多级深度学习网络的单航过InSAR系统端对端分类方法

权利要求书

1.一种基于多级深度学习网络的单航过InSAR系统端对端分类方法，其特征在于，包括：

1）输入SAR图像、InSAR相位图和相干系数图；

2）通过多尺度空间特征提取网络MSF从输入的SAR图像中获取多尺度空间统计特征；

3）通过多层选择性注意力网络MLSAN对多尺度空间统计特征提取中层和高层特征；

4）通过改进策略网络IS对中层和高层特征进行拼接加权得到最终的分类结果，实现对阴影、水体和叠掩区域的自动分类；

步骤3）中的多层选择性注意力网络MLSAN包括用于基于残差网络来提取输入图像的中层和高层特征的编码网络、用于融合和再提取高层和中层特征的解码网络；所述编码网络包括5个特征图产生单元，第1个特征图产生单元由一个卷积层与池化层构成，第2～5个特征图产生单元Res-1～Res-4分别为包含指定数量残差单元的残差网络，输入的特征图经过第一个特征图产生单元得到特征图F0，特征图F0经过第2个特征图产生单元Res-1得到特征图F1，特征图F1经过第3个特征图产生单元Res-2得到特征图F2，特征图F2经过第4个特征图产生单元Res-3得到特征图F3，特征图F3经过第5个特征图产生单元Res-4得到特征图F4，其中特征图F1～特征图F3为中层特征，特征图F4为高层特征，特征图F1～特征图F4则分别作为编码结果输出到解码网络；所述解码网络包括卷积层、4个解码模块M1～M4和输出模块，特征图F4经卷积层降维后输入解码模块M4进行解码得到特征图F4_2，特征图F3经卷积层降维后和特征图F4_2一起输入解码模块M3进行解码得到特征图F3_2，特征图F2经卷积层降维后和特征图F3_2一起输入解码模块M2进行解码得到特征图F2_2，特征图F1经卷积层降维后和特征图F2_2一起输入解码模块M1进行解码得到特征图F1_2作为结果输出到输出模块；所述输出模块包括两个残差卷积单元RCU、一个上采样模块和一个卷积层，所述两个残差卷积单元RCU用于将特征图F1_2增加非线性，所述一个上采样模块和一个卷积层用于对两个残差卷积单元RCU的输出结果进行上采样、卷积处理恢复特征图的维度至m×n×，其中m和n分别为输入SAR图像、InSAR相位图和相干系数图的长度和宽度，是类别的数量；所述4个解码模块M1～M4中，解码模块M1、解码模块M3、解码模块M4的结构相同，均包括特征图自适应和融合模块FMAF和残差注意力池化模块RAP，解码模块M2包括特征图自适应和融合模块FMAF和金字塔注意力池化模块PAP；特征图自适应和融合模块FMAF用于调整特征图的尺寸大小并融合不同层次的特征，特征图自适应和融合模块FMAF的输入为不同层次的特征，先通过两个残差卷积单元RCU，再经过一个卷积和上采样层进行维度调整，最终将所得特征进行相加得到最终融合的特征；残差注意力池化模块RAP用于获得大范围内的上下文信息，并通过连续的池化层对输入特征进行池化，残差注意力池化模块RAP由一系列池化模块组成，每一个池化模块中包含一个卷积层和一个最大池化层，输入特征从第一个池化模块开始输入，且前一个池化模块的输出作为后一个池化模块的输入，使得后续的池化模块可以用一个小的池化窗口来处理大范围的区域，融合完池化模块的特征之后使用注意力模块来对融合特征进行加权以增强有用的特征并削弱冗余特征，最终加权后的特征与最初的输入特征融合、再输入残差卷积单元RCU得到最终的处理结果；金字塔注意力池化模块PAP用于通过金字塔池化融合包括全局池化和不同子区域的本地特征在内的不同尺度的特征，且通过注意力机制用来进一步增强上下文信息的提取，金字塔注意力池化模块PAP将输入特征经过池化层之后得到四种尺寸的特征图，然后利用1×1的卷积层分别对各种尺寸的特征图进行降维，然后再利用双线性插值将特征图恢复到初始的大小再将四个特征图并置为一个特征图；再将所得特征经过注意力模块进行加权，然后与最初输入特征并置经过一个卷积层恢复到原来大小，最后送入残差卷积单元RCU通过非线性操作进一步处理特征用于最后的分类。

2.根据权利要求1所述的基于多级深度学习网络的单航过InSAR系统端对端分类方法，其特征在于，步骤2）中的多尺度空间统计特征包括Gabor特征，GLGCM特征和MSOGDF特征这三种低层次特征，每一种低层次特征都选择从中计算出两到三个数字特征来融合成一组三通道特征图从而得到三组三种不同类型的特征图，并结合SAR图像生成第四组三通道特征图，一共得到四组三通道特征图作为多层选择性注意力网络MLSAN的输入。