公开(公告)号：CN119516214A

公开(公告)日：2025-02-25

申请号：CN202310747301.X

申请日：2023-08-24

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  雷贵龙 ,  吴卿 ,  张康 ,  李德飞

IPC: G06V10/58 ,  G06V10/40 ,  G06V10/77 ,  G06V10/82 ,  G06F18/213 ,  G06F18/25 ,  G06F18/241 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种双支路Swin Transformer的高光谱影像与LiDAR数据协同分类方法，该方法包括：S1，针对高光谱影像“图谱合一”的特点，提出了利用3D‑2D混合卷积来提取主成分分析降维后的高光谱影像的浅层空‑谱信息。S2，采用了改进的Swin Transformer网络，在网络中采用ResNet模块以及引进SSR(Spectral Segmentation Recombination，光谱分割重组)，消除特征传递中的信息丢失，进一步挖掘高光谱影像的深层空‑谱特征。S3，将另一支路的LiDAR数据通过2D‑2D卷积、改进的Swin Transformer网络，挖掘高程信息；S4，针对高光谱和LiDAR双支路，将CAM(Cross attention module，交叉注意模块)改进为双支路输入，通过高光谱与LiDAR特征交互，通过建立动态的注意力机制，有效地捕捉两种模态之间的关联信息，并将其融合成统一的特征表示。该网络在两个公开高光谱与LiDAR数据集上进行了测试，表现出了良好的分类性能。

公开(公告)号：CN117611908A

公开(公告)日：2024-02-27

申请号：CN202311643409.0

申请日：2023-12-02

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  李德飞 ,  吴海滨 ,  雷贵龙 ,  张康 ,  刘城洋

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明天空地一体化大场景高光谱遥感图像的农作物精准分类属于图像分类技术领域；在大场景下通过迁移学习的方法，学习源域数据和有标签的目标域数据，对无标签的目标域数据分类。大场景下高光谱遥感数据的农作物精准分类方法依次执行：先对数据集划分后，将训练集和测试集分别送入结合注意力机制改进的残差网络(ResNet Combined with Attention，RCA)和多尺度融合模块(Multi‑scale Block)进行浅层和深度特征提取；将提取的特征聚类映射后通过集成分类器和域鉴别器得到分类结果。本发明利用改进的残差网络和多尺度融合模块构成特征提取网络，并通过映射迭代，减少频谱偏移，提高了大场景下高光谱图像农作物分类的精度，为后续研究以及相关应用提供新的参考思路。