申请/专利权人：武汉科技大学

申请日：2022-04-02

公开（公告）日：2024-04-26

公开（公告）号：CN114764880B

主分类号：G06V20/00

分类号：G06V20/00;G06V10/46;G06V10/762;G06V10/764;G06V10/82;G06N3/045;G06N3/0475;G06N3/048;G06N3/047;G06N3/084;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.05#实质审查的生效;2022.07.19#公开

摘要：本发明提供了多成分GAN重建的遥感图像场景分类方法，首先将场景数据集按比例随机划分成训练集和测试集；其次对数据集进行预处理，这些经过预处理之后的遥感场景图像数据即为真图；接着以随机初始化的方式获取多个潜在编码输入生成器网络以获得伪图；然后将真图、伪图联合输入到一个特征提取及联合定位模块，参与联合定位获得多个信息性部件；这些信息性部件用作多个潜在编码的更新接着利用全图特征和部件特征分别参与图像级分类和部件级分类，获得最优的分类模型；最后将测试集输入到最优定位网络和最优分类模型，获得最终的预测结果。本发明可以提高多个部件定位准确性和分类效果。

主权项：1.多成分GAN重建的遥感图像场景分类方法，其特征在于，包括：S1：将场景数据集按预设比例划分为训练集和测试集；S2：对训练集中的图像进行预处理，预处理后的图像为真图；S3：构建多成分GAN重建的遥感图像场景分类网络模型，模型包括多编码生成器网络、特征提取网络、联合定位模块和联合分类模块，其中，多编码生成器网络用于生成包含细节的伪图，特征提取网络用于根据输入的真图提取真图特征、根据输入的伪图提取伪图特征，提取的真图特征和伪图特征作为全局特征，联合定位模块用于根据提取的真图特征得到真图的信息性部件、根据提取的伪图特征得到伪图的信息性部件，真图的信息性部件和伪图的信息性部件作为部件特征，联合分类模块用于根据全局特征得到全图分类结果，根据真图的信息性部件和伪图的信息性部件的组合得到部件级分类结果，再根据全图分类结果与部件级分类结果得到场景分类结果；S4：将训练集中预处理后的图像输入多成分GAN重建的遥感图像场景分类网络模型，进行训练，以部件级分类损失以及部件级相似性度量损失的组合方式对网络进行微调，得到最优分类模型，作为训练好的多成分GAN重建的遥感图像场景分类网络模型；S5：将测试集中的图像进行预处理后输入训练好的多成分GAN重建的遥感图像场景分类网络模型，进行场景分类；其中，联合定位模块根据提取的真图特征得到真图的信息性部件，包括：将特征提取网络提取的真图特征Freal输入联合定位模块，利用预测概率回传与特征图加权求和得到类激活图CAM，将该类激活图CAM分别进行最大池化和最小池化，得到若干波峰以及波谷坐标点：利用K-means聚类算法将所有得到的波峰与波谷坐标点分别聚类成k组和m组，波峰聚类中心是携带前景信息以及上下文信息的语义位置，波谷聚类中心是有背景相关信息的语义位置，波峰信息进一步转化为真图的信息性部件Rreal；联合定位模块根据提取的伪图特征得到伪图的信息性部件，包括：将特征提取网络提取的伪图特征Ffake输入联合定位模块，利用预测概率回传与特征图加权求和得到类激活图CAM，将该类激活图CAM分别进行最大池化和最小池化，得到若干波峰以及波谷的坐标点；利用K-means聚类算法将所有得到的波峰与波谷坐标点分别聚类成k组和m组，波峰聚类中心携带前景信息以及上下文信息的语义位置，波谷聚类中心具有背景相关信息的语义位置，波峰信息进一步转化为伪图的信息性部件Rfake。

全文数据：

权利要求：

百度查询： 武汉科技大学 多成分GAN重建的遥感图像场景分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD