1.一种基于上下文注意力的遥感场景分类方法,其特征在于,包括:
步骤1:构建分类模型;所构建的分类模型首部分采用ResNet34提取多层特征;采用自顶向下连接的连续三个上下文空间注意力模块和上下文通道注意力模块,提取浅层特征中关键局部信息;且在每个上下文空间注意力模块后,使用1×1卷积后跟上下文通道注意力模块,以充分提取浅层特征中的关键局部信息;特征融合部分采用自底向上的连接方式,对相邻两层特征中更浅层特征使用2倍下采样,将其与更深层特征逐元素相加;分类模型末端采用三元组损失函数结合中心损失函数控制类内和类间距离,采用全局池化层和全连接层结合,完成分类;每个所述上下文空间注意力模块的具体执行顺序为Upsampling→Maxpool,Avgpool→Conv→Sigmoid,后与相邻浅层特征逐元素相乘,并采用相邻特征自顶向下的连接的方式;其中Upsampling表示上采样,Maxpool、Avgpool分别表示最大池化和平均池化,Conv表示卷积,Sigmoid表示激活函数;每个所述上下文通道注意力模块的具体执行顺序为Avgpool→1DConv→Sigmoid,后与相邻浅层特征逐通道相乘,并采用相邻特征自顶向下连接的方式;其中Avgpool表示平均池化,1DConv表示一维卷积,Sigmoid表示激活函数;所述分类模型中按照如下方式进行特征融合:其中Cn表示具有上下文注意力机制的不同层特征,n按照由大到小取值,D2表示2倍下采样,A表示融合特征,F5表示通过ResNet34提取的最深层特征;
步骤2:通过构建的分类模型完成遥感场景分类。
2.根据权利要求1所述的一种基于上下文注意力的遥感场景分类方法,其特征在于,采用三元组损失函数结合中心损失函数:其中,a表示锚示例,p表示与a同一类的样本,d(a,p)表示取a和p的欧氏距离,n表示与a不同类的样本,margin是一个大于0的常数,代表类别为yi的所有特征的中心,r代表中心损失函数的权重,m表示一个批处理的大小,xi表示特征向量。
3.根据权利要求1所述的一种基于上下文注意力的遥感场景分类方法,其特征在于,在所述步骤1之前还包括:将遥感图像划分为训练集测试集;
将输入样本的大小依次设置为C×H×W,其中C表示遥感图像的通道数,H和W表示遥感图像的高和宽;
将输入样本依次进行正则化。
4.根据权利要求3所述的一种基于上下文注意力的遥感场景分类方法,其特征在于,在所述步骤1之后还包括:基于训练集,采用随机梯度下降算法训练分类模型参数,并将保存在测试集上损失率最小的模型作为最佳分类模型。
5.根据权利要求1所述的一种基于上下文注意力的遥感场景分类方法,其特征在于,所述步骤2包括:将测试集输入分类模型,使用ResNet34提取输入的遥感图像不同层次的不同尺度特征;
采用自顶向下的方式计算相邻两层特征的上下文空间注意力特征;
采用自顶向下的方式计算相邻两层特征的上下文通道注意力特征;
采用自底向上的方式使用步长为2的平均池化将不同尺度的上下文注意力特征融合;
采用全局平均池化层与全连接层相结合完成遥感场景最终的分类。