[发明专利]一种基于全卷积神经网络的高光谱影像分类方法

权利要求书

1.一种基于全卷积神经网络的高光谱影像分类方法，其特征在于，包括：

获取高光谱影像；将高光谱影像输入训练好的全卷积神经网络模型进行分类获得分类结果，所述全卷积神经网络模型采用编码器加解码器的架构，所述编码器用于接收高光谱影像，并对所述高光谱影像进行高维特征学习，所述解码器用于对编码器学习的高维特征进行分类，编码器包括多个注意力机制层，各注意力机制层包括多个基础块，各基础块设置有通道-空间注意力模块，各通道-空间注意力模块包括通道注意力部分和空间注意力部分，通道注意力部分用于对通道-空间注意力模块的输入数据分别进行最大池化和平均池化，并分别将最大池化后的结果和平均池化后的结果输入对应的MLP层处理，对经过各自MLP层处理的结果进行加运算，并将加运算的结果与通道-空间注意力模块的输入数据进行乘运算后输入至空间注意力部分，空间注意力部分用于对通道注意力部分的输出结果分别进行最大池化和平均池化，并对最大池化后的结果和平均池化后的结果进行卷积运算，对卷积运算后的结果与通道注意力部分的输出结果进行乘运算，并将乘运算的结果与通道-空间注意力模块的输入数据进行加运算，加运算结果为该通道-空间注意力模块的输出结果。

2.根据权利要求1所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，各基础块包括设置在通道-空间注意力模块之前的2个卷积模块。

3.根据权利要求2所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，注意力机制层的层数是4个，各注意力机制层顺次连接，且各注意力机制层的各基础块的各卷积模块的输出通道不一样，且4个注意力机制层的输出通道呈上升趋势。

4.根据权利要求3所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，第一个注意力机制层包括3个基础块，第二个注意力机制层包括4个基础块，第三个注意力机制层包括6个基础块，第四个注意力机制层包括3个基础块。

5.根据权利要求4所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，各基础块顺次连接，每一个基础块的输入数据包括上一个基础块的输出结果和上一个基础块的输入数据。

6.根据权利要求3所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，第一个注意力机制层的各基础块的各卷积模块的输出通道为64，第二个注意力机制层的各基础块的各卷积模块的输出通道为128，第三个注意力机制层的各基础块的各卷积模块的输出通道为256，第四个注意力机制层的各基础块的各卷积模块的输出通道为512。

7.根据权利要求3所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，编码器还包括设置在第一个注意力机制层之前的卷积层，卷积层包括卷积模块、BN层、Relu激活层和最大池化层。

8.根据权利要求2所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，各注意力机制层的各基础块的每个卷积模块伴随批标准化和激活函数处理。

9.根据权利要求3所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，解码器包括依次连接的4个反卷积层。

10.根据权利要求9所述的基于全卷积神经网络的高光谱影像分类方法，其特征在于，解码器还包括设置在第四个反卷积层之后的双线性插值层，所述双线性插值层将模型的输出大小扩大到与模型的输入图像的大小一致。