欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023115269611
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种可解释性深度网络的卫星云图多标签哈希检索方法,其特征在于,包括:将获取到的目标云图作为输入项输入至预先训练好的可解释性深度网络,以得到所述目标云图的目标哈希码,其中,所述可解释性深度网络包括用于生成所述目标云图的具有可解释性的融合特征的特征学习模块及用于生成所述目标哈希码的哈希学习模块,所述特征学习模块包括全局特征学习模块及局部特征学习模块,所述全局特征学习模块为用于学习表征所述目标云图的单个全局语义特征的单元,所述局部特征学习模块为用于学习所述目标云图中不同区域内的多个云类型的局部语义特征的单元,进而将所述全局特征学习模块的输出与局部特征学习模块的输出进行拼接组合后得到所述融合特征;所述局部特征学习模块包括多个局部分支,每个所述局部分支中包括注意分支网络及抑制模块,得到多个用于表述不同区域内的多个云类型的局部语义信息的局部特征,从而利用所述融合特征生成所述目标哈希码;所述哈希学习模块中引入了多标签监督机制;

根据所述目标哈希码及历史云图数据库中各历史云图的哈希码进行相似度测量,检索出与所述目标云图相似的历史云图;

所述的可解释性深度网络中的特征学习模块对所述目标云图的融合特征的生成步骤为:将所述目标云图输入至骨干网络以得到深层特征图;根据所述深层特征图及预设全局特征提取策略,确定表征所述目标云图的全局语义信息的全局特征;基于所述深层特征图及预设局部特征提取策略,确定表征所述目标云图中不同区域下多个云类型的局部语义信息的局部特征;将所述全局特征与所述局部特征进行拼接,以得到融合特征;

所述的基于所述深层特征图及预设局部特征提取策略,确定表征所述目标云图中不同区域下云类型的局部语义信息的局部特征的具体过程包括:将所述深层特征图进行卷积后得到第一子图;根据预设注意力策略对所述第一子图进行处理以得到表征最具区别性区域的挖掘结果的第一注意力图;根据所述第一注意力图及所述第一子图生成第一局部特征图;确定表征所述第一局部特征图下云类型的局部语义信息的第一局部特征,以便将所述全局特征与所述第一局部特征进行拼接,进而得到所述目标云图对应的融合特征;

所述的根据预设注意力策略对所述第一子图进行处理以得到表征最具区别性区域的挖掘结果的第一注意力图之后,还包括:S21:令o=1;

S22:基于所述第一子图对应的第一注意力图及第二预设关系式确定第二像素点,以得到所述第二像素点对应的抑制图;

所述第二预设关系式为:

其中,μ

S23:根据所述抑制图及所述第一子图确定第o个第二子图;

S24:根据所述预设注意力策略对第o个第二子图进行处理以得到第o个第二注意力图,以便根据第o个第二注意力图及第o个第二子图生成第o个第二局部特征图,进而确定第o个第二局部特征图对应的第o个第二局部特征;

S25:令o=o+1;

S26:判断所述o是否达到预设分支数目,所述预设分支数目为不小于2的整数;若否,进入S27;若是,进入S29;

S27:根据第o-1个第二注意力图及所述第二预设关系式确定新的第二像素点,以得到新的第二像素点对应的新的抑制图;

S28:根据所述新的抑制图及第o-1个第二子图生成第o个第二子图;并返回S24;

S29:将所述全局特征、所述第一局部特征与得到的共o-1个第二局部特征进行拼接,以得到所述目标云图对应的融合特征。

2.如权利要求1所述的可解释性深度网络的卫星云图多标签哈希检索方法,其特征在于,所述可解释性深度网络中的哈希学习模块根据所述融合特征生成所述目标哈希码,包括:将所述融合特征作为输入项输入至预先训练好的哈希码学习模块以得到所述融合特征对应的类哈希码;

根据所述类哈希码及第一预设关系式确定所述目标云图的目标哈希码;

所述第一预设关系式为:

其中,d为所述类哈希码,b为所述目标哈希码。

3.如权利要求1所述的可解释性深度网络的卫星云图多标签哈希检索方法,其特征在于,根据所述深层特征图及预设全局特征提取策略,确定表征所述目标云图的全局语义信息的全局特征,包括:对所述深层特征图进行平均池化操作;

将所述平均池化操作后的结果输入至全连接层进行特征降维,以得到表征所述目标云图的全局语义信息的全局特征。

4.如权利要求1所述的可解释性深度网络的卫星云图多标签哈希检索方法,其特征在于,根据预设注意力策略对所述第一子图进行处理以得到表征最具区别性区域的挖掘结果的第一注意力图,包括:对所述第一子图进行激活以确定其对应的激活特征图;

对所述激活特征图依次执行卷积操作及聚合归一化操作,并利用Sigmoid激活函数对执行结果进行处理以得到第一注意力图。

5.如权利要求1至4任一项所述的可解释性深度网络的卫星云图多标签哈希检索方法,其特征在于,所述可解释性深度网络基于云图训练集预先训练,所述云图训练集包括N个训练云图,各所述训练云图对应着至少一个真实图像分类标签,所有的训练云图对应的真实图像分类标签的总类别数为C个,N和C均为不小于1的整数;所述可解释性深度网络的训练步骤,包括:将所述训练云图输入至待训练的可解释性深度网络,以得到类哈希码特征;

将所述类哈希码特征输入分类层以得到对应的图像分类标签预测值;

利用所述类哈希码特征与所述图像分类标签预测值及预设损失函数训练所述可解释性深度网络;

所述预设损失函数为:

L

L

其中,所述L

所述L

K为预设哈希码长度,d

所述L

mean(d