申请/专利权人：内蒙古农业大学

申请日：2023-06-25

公开（公告）日：2024-06-14

公开（公告）号：CN116883726B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/774;G06N3/0464;G06N3/048;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2023.10.31#实质审查的生效;2023.10.13#公开

摘要：本发明属于信息技术服务技术领域，公开了一种基于多分支与改进的Dense2Net的高光谱图像分类方法、系统及终端，包括数据集生成，获取高光谱图像数据集，将数据集随机划分为训练集、验证集和测试集；构建TBTA‑D2Net网络模型；利用训练集训练TBTA‑D2Net网络模型，更新多次迭代的参数；利用验证集监测模型的性能并选择出最优模型；利用最优模型对测试样本进行测试，实现对高光谱数据每个像素点的分类。本发明的Dense2Netbottleneck模块加强了DenseNet的特征传播和特征重用，并结合了Res2Net模块的多尺度特征提取优势。除此之外，本发明还采用了一种新的深度模型优化器Adan。Adan结合了自适应优化器，Nesterov冲量，以及解耦的权重衰减策略的优点，可以有效提升网络模型的训练速度。

主权项：1.一种基于多分支与改进的Dense2Net的小样本高光谱图像分类方法，其特征在于，包括：步骤一，数据集生成，获取高光谱图像数据集，将数据集随机划分为训练集、验证集和测试集；步骤二，构建TBTA-D2Net网络模型；步骤三，利用训练集训练TBTA-D2Net网络模型，更新多次迭代的参数；利用验证集监测模型的性能并选择出最优模型；步骤四，利用最优模型对测试样本进行测试，实现对高光谱数据每个像素点的分类；所述步骤二为TBTA-D2Net网络模型的构建过程，具体步骤如下：步骤2.1：首先经过一个1×1×7大小的3D-CNN对输入特征图进行降维处理，然后将降维后的特征图分别输入到光谱分支、空间X分支和空间Y分支，分别提取光谱特征、空间X特征和空间Y特征；3D-CNN进行卷积操作的计算如下： 其中，表示第i层的第j个特征图在x,y,z位置上的输出；Si是卷积核的宽，Ti是卷积核的高，Ri是光谱维数；表示第i层第j个卷积核在s,t,r位置上的输出；表示上一层第m个特征图在x+s,y+t,z+r位置上的输出值；步骤2.2：在光谱分支中，首先经过一个卷积核大小为1×1×7的Dense2Netbottleneck；然后，经过一个带BN的3D-CNN层和Mish激活函数，将得到的特征图变形为9×9×1,192大小；接着，经过光谱注意块对特征图进行细化；最后，经过带Mish的BN层、Dropout层和全局平均池化层，得到大小为1×192的光谱特征图；步骤2.3：在空间X分支中，首先经过一个卷积核大小为3×1×1的Dense2Netbottleneck；然后，经过一个带BN的3D-CNN层和Mish激活函数，将得到的特征图变形为9×9×1,192大小；接着，经过空间X注意块对特征图进行细化；最后，经过带Mish的BN层、Dropout层和全局平均池化层，得到大小为1×192的空间X特征图；步骤2.4：在空间Y分支中，首先经过一个卷积核大小为1×3×1的Dense2Netbottleneck；然后，经过一个带BN的3D-CNN层和Mish激活函数，将得到的特征图变形为9×9×1,192大小；接着，经过空间Y注意块对特征图进行细化；最后，经过带Mish的BN层、Dropout层和全局平均池化层，得到大小为1×192的空间Y特征图；步骤2.5：拼接三个分支上输出的大小为1×192的光谱特征图、空间X特征图和空间Y特征图，拼接操作后的特征图大小为1×576；接着，经过一个全连接层、softmax函数，得到最终的分类结果；所述步骤2.2包括：1Dense2Netbottleneck：包含3组Improvedres2Net模块,BN和Mish；其中，光谱分支在Improvedres2Net模块中卷积核的大小为1×1×7，空间X分支在Improvedres2Net模块中卷积核的大小为3×1×1，空间Y分支在Improvedres2Net模块中卷积核的大小为1×3×1；Res2Net在单个残差块内构造具有等级制的类似残差连接，取代了通用的单个3×3卷积核；在Res2Net块中，一个单独残差块中的分层的残差连接使感受野在更细粒度级别上的变化能够捕获细节和全局特性；假设输入特征数据为为了实现分层操作，将特征按通道数平分为4个部分，每个特征图子集Xii＝1,2,3,4的空间大小相同；将Xii＝2,3,4分别与P×Q×R的卷积核进行卷积，每个部分的输出为： 其中，K·表示卷积操作；然后对Yi进行逐一级联，通过一个1×1×1卷积核的卷积层得到Res2Net模块的输出Y；2Mish激活函数：Mish是一个自正则化的非单调激活函数，Mish为上界无界，下界范围为[-0.31，∞]；Mish的计算公式是： 3三重注意力机制：用于细化光谱、空间X和空间Y分支上提取的特征，首先，分别对输入特征A做reshape和reshapetranspose；reshape中光谱注意块：C×N，空间X注意块：H×N，空间Y注意块：W×N；reshapetranspose中光谱注意块：N×C；空间X注意块：N×H；空间Y注意块：N×W；然后，将得到的两个特征图相乘，再通过softmax得到注意力映射X，注意力映射X中光谱注意块：C×C，空间X注意块：H×H，空间Y注意块：W×W，计算注意力映射X的公式如下： 其中xji衡量了第i个通道对第j个通道的影响；接着把X的转置与reshape的A做矩阵乘法，再乘以尺度系数α，再reshape为原来形状；最后与A相加得到最后的输出B；其中α初始化为0，并逐渐的学习得到更大的权重：

全文数据：

权利要求：

百度查询： 内蒙古农业大学 基于多分支与改进的Dense2Net的高光谱图像分类方法及系统

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