公开(公告)号：CN118298234B

公开(公告)日：2025-04-04

申请号：CN202410454695.4

申请日：2024-04-16

Applicant: 安徽大学

Inventor： 黄林生 ,  章露 ,  赵晋陵 ,  阮超 ,  雷雨 ,  黄文江

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/77 ,  G06V10/44 ,  G06V10/42 ,  G06N3/0464

Abstract: 本发明涉及一种基于光谱‑空间注意力机制和残差网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；进行初步特征提取，得到经特征提取后的图像；得到增强后的图像；得到进一步挖掘空间特征的图像；得到经过自适应校准后的图像；将经过自适应校准后的图像经过全局池化、展平、批归一化和全连接层，得到最终的分类结果。本发明使用深度可分离卷积块，以此实现轻量级、高效率的特征提取；残差SEA注意力模块通过纵向和横向挤压获取全局信息，又通过增强获取局部信息；残差EMA注意力模块能够获取像素间的成对关系，更好地挖掘空间特征；残差SE注意力模块能够自适应校准通道信息，更好获取通道信息。

公开(公告)号：CN118298234A

公开(公告)日：2024-07-05

申请号：CN202410454695.4

申请日：2024-04-16

Applicant: 安徽大学

Inventor： 黄林生 ,  章露 ,  赵晋陵 ,  阮超 ,  雷雨 ,  黄文江

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/77 ,  G06V10/44 ,  G06V10/42 ,  G06N3/0464

Abstract: 本发明涉及一种基于光谱‑空间注意力机制和残差网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；进行初步特征提取，得到经特征提取后的图像；得到增强后的图像；得到进一步挖掘空间特征的图像；得到经过自适应校准后的图像；将经过自适应校准后的图像经过全局池化、展平、批归一化和全连接层，得到最终的分类结果。本发明使用深度可分离卷积块，以此实现轻量级、高效率的特征提取；残差SEA注意力模块通过纵向和横向挤压获取全局信息，又通过增强获取局部信息；残差EMA注意力模块能够获取像素间的成对关系，更好地挖掘空间特征；残差SE注意力模块能够自适应校准通道信息，更好获取通道信息。

公开(公告)号：CN117893816B

公开(公告)日：2024-07-02

申请号：CN202410071215.6

申请日：2024-01-18

Applicant: 安徽大学

Inventor： 赵晋陵 ,  吴柯柯 ,  章露 ,  肖甜 ,  王家界 ,  黄林生 ,  阮超 ,  黄文江

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/52 ,  G06V10/58 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06V20/10 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明涉及一种分层次残差光谱空间卷积网络的高光谱图像分类方法，包括：获取高光谱图像数据立方体，分割为一组相互重叠的3D斑块P；构建分层次残差光谱空间卷积网络；将3D斑块P输入分层次残差光谱空间卷积网络，得到光谱维的三维光谱空间特征；对光谱维的三维光谱空间特征进行分层次特征注意处理，得到分层次的特征映射；对分层次的特征映射进行光谱空间特征学习，得到空间维的三维光谱空间特征；对空间维的三维光谱空间特征进行分类处理，得到每一类地物的概率分布。本发明在提取各类地物微小特征上发挥着极其重要的作用，有效解决了图像块之间远近距离依赖关系，高效捕捉浅层空谱特征和深层空谱特征，并且降低注意力机制的冗余。

公开(公告)号：CN117315481B

公开(公告)日：2025-03-21

申请号：CN202311369853.8

申请日：2023-10-23

Applicant: 安徽大学

Inventor： 黄林生 ,  章露 ,  赵晋陵 ,  阮超 ,  雷雨 ,  黄文江

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/77 ,  G06V10/42 ,  G06V10/44 ,  G06V10/52 ,  G06V10/58 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明涉及一种基于光谱‑空间自注意力和Transformer网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；通过CBAM模块进行初步的光谱‑空间特征学习；进行初步特征学习；再经过光谱注意力模块得到光谱特征，最后继续挖掘光谱特征；输入空间注意力模块；输入Transformer模块，对全局特征进行学习；将经过全局特征学习的高光谱图像，最后经过全局池化、展平、批归一化和线性层，得到最终分类结果。本发明通过对高光谱图像作为研究对象，使用二维卷积能够在保持计算效率的同时减少计算量和节约成本；实现轻量级、高效率的特征提取和通道选择，提高了中心特征向量识别的准确性，增强了空间提取能力。

公开(公告)号：CN117893816A

公开(公告)日：2024-04-16

申请号：CN202410071215.6

申请日：2024-01-18

Applicant: 安徽大学

Inventor： 赵晋陵 ,  吴柯柯 ,  章露 ,  肖甜 ,  王家界 ,  黄林生 ,  阮超 ,  黄文江

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/52 ,  G06V10/58 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06V20/10 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明涉及一种分层次残差光谱空间卷积网络的高光谱图像分类方法，包括：获取高光谱图像数据立方体，分割为一组相互重叠的3D斑块P；构建分层次残差光谱空间卷积网络；将3D斑块P输入分层次残差光谱空间卷积网络，得到光谱维的三维光谱空间特征；对光谱维的三维光谱空间特征进行分层次特征注意处理，得到分层次的特征映射；对分层次的特征映射进行光谱空间特征学习，得到空间维的三维光谱空间特征；对空间维的三维光谱空间特征进行分类处理，得到每一类地物的概率分布。本发明在提取各类地物微小特征上发挥着极其重要的作用，有效解决了图像块之间远近距离依赖关系，高效捕捉浅层空谱特征和深层空谱特征，并且降低注意力机制的冗余。

公开(公告)号：CN117315481A

公开(公告)日：2023-12-29

申请号：CN202311369853.8

申请日：2023-10-23

Applicant: 安徽大学

Inventor： 黄林生 ,  章露 ,  赵晋陵 ,  阮超 ,  雷雨 ,  黄文江

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/77 ,  G06V10/42 ,  G06V10/44 ,  G06V10/52 ,  G06V10/58 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明涉及一种基于光谱‑空间自注意力和Transformer网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；通过CBAM模块进行初步的光谱‑空间特征学习；进行初步特征学习；再经过光谱注意力模块得到光谱特征，最后继续挖掘光谱特征；输入空间注意力模块；输入Transformer模块，对全局特征进行学习；将经过全局特征学习的高光谱图像，最后经过全局池化、展平、批归一化和线性层，得到最终分类结果。本发明通过对高光谱图像作为研究对象，使用二维卷积能够在保持计算效率的同时减少计算量和节约成本；实现轻量级、高效率的特征提取和通道选择，提高了中心特征向量识别的准确性，增强了空间提取能力。