申请/专利权人:贵州大学
申请日:2024-05-21
公开(公告)日:2024-06-18
公开(公告)号:CN118212538A
主分类号:G06V20/10
分类号:G06V20/10;G06V10/44;G06V10/52;G06V10/58;G06V10/774;G06V10/80;G06V10/82;G06N3/045
优先权:
专利状态码:在审-公开
法律状态:2024.06.18#公开
摘要:本发明公开了一种基于长程依赖性特征融合转换器的高光谱图像分类方法,包括以下步骤:步骤1:将输入的高光谱图像(HSI)数据分割成补丁;步骤2:将补丁输入动态上下文特征提取块(简称分支1),经过动态依赖卷积模块DDC和多尺度增强融合模块MsEF两个组件的操作,提取高光谱图像(HSI)的多尺度上下文关系特征;步骤3:将补丁输入局部‑全局特征提取块(简称分支2),经过数据展平和投影处理后,输入局部‑全局感知变换器编码器提取具有长距离依赖性的局部‑全局特征;步骤4:将步骤2中的分支1和步骤3中的分支2经过处理后的数据进行特征融合,并且将融合结果输入到卷积层,最后得到输出结果。
主权项:1.一种基于长程依赖性特征融合转换器的高光谱图像分类方法,其特征在于,包括以下步骤:步骤1、将输入的高光谱图像数据分割成补丁;步骤2、将补丁输入简称分支1的动态上下文特征提取块,经过动态依赖卷积DDC模块和多尺度增强融合模块MsEF两个组件的操作,提取高光谱图像的多尺度上下文关系特征;步骤3、将补丁输入简称分支2的局部-全局特征提取块,经过数据展平和投影处理后,输入局部-全局感知变换器编码器提取具有长距离依赖性的局部-全局特征;步骤4、将步骤2中的分支1和步骤3中的分支2经过处理后的数据进行特征融合,并且将融合结果输入到卷积层,最后得到输出结果。
全文数据:
权利要求:
百度查询: 贵州大学 基于长程依赖性特征融合转换器的高光谱图像分类方法
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。