1.一种融合首尾注意力和GRU网络的遥感图像场景分类方法,其特征在于,包括以下步骤:步骤S1:在通道维对输入的遥感图像进行通道维度的权重修正;
步骤S2:对CNNs提取的高阶特征之后进行空间维度再权重化;
步骤S3:将经过首部通道注意力模块和尾部空间注意力模块的全局联合修正后的特征以全局平均池化的方式得到维度为2048维的特征向量,并与1个节点为512的全连接层连接后,通过softmax函数预测输出图像的类别概率;
通过通道维和空间维所代表特征的重要性程度的不同,在标准卷积神经网络提取的高阶特征前后,分别设计通道注意力模块和空间注意力模块,利用循环神经网络门控单元的上下文信息提取能力,依次学习、输出不同通道维特征和空间维特征的重要性权重。
2.如权利要求1所述的融合首尾注意力和GRU网络的遥感图像场景分类方法,其特征在于,在步骤S1中,经首部通道注意力模块修正后的图像数据进一步输入到VGG-16卷积神经网络模型中,得到卷积提取的高阶特征。
3.如权利要求2所述的融合首尾注意力和GRU网络的遥感图像场景分类方法,其特征在于,在步骤2中,高阶特征7×7×2048特征表示为先验以此输入到以门限循环单元GRU为基本单元的循环神经网络中,输出得到尾部不同空间的重要性权重,以此实现对显著的空间区域的增强、背景区域的抑制。