1.一种基于半监督深度学习的植被遥感图像处理方法,其特征在于,步骤包括:
采集植被的原图数据,得到数据集,其中所述原图数据为遥感图像形式;
对所述数据集进行特征提取,得到相关性特征;得到所述相关性特征的步骤包括:基于所述数据集,构建特征金字塔;基于所述特征金字塔和所述原图数据的坐标,获取所述相关性特征;对特征金字塔结合原图数据的坐标进行特征映射获取局部特征,在通过Pooling层将局部特征结合在一起作为滑动卷积层,对原图数据进行滑动卷积操作获取相关性特征,具体步骤包括:在骨干网络的基础之上,引入Mapping and Correlation模块,用于提取样本与图像之间的相关特征,增强所提取特征的鲁棒性和相关性;同时,使用Multi-layerCoordinate Attention块,捕捉植被的轮廓信息,提高密度分布图预测的准确性,具体的:将ResNet101FPN层与MLCA相结合,用于保留不同阶段的空间-通道特征信息,调整后续MAC模块,突出感兴趣的区域,减轻植被遥感图像中背景噪声的影响;应用坐标注意力到每个ResNet101FPN层的输出图上,作为该层的固有注意力模块;
对所述相关性特征进行特征回归操作,得到初始密度分布图;获取所述初始密度分布图的方法包括:对所述相关性特征进行三次上采样操作,将所述相关性特征映射到所述原图数据大小;作为获取相关特征的核心,其操作可分为两个步骤;第一步涉及将输入全局特征层F优化所述初始密度分布图,得到最终密度分布图,完成植被遥感图像的处理;获取所述最终密度分布图的方法包括:通过预适应网络,对所述初始密度分布图进行参数微调,具体步骤包括:设计损失函数使得所述初始密度分布图区域的密度接近1,随后应用扰动损失来约束高斯分布,得到所述最终密度分布图。
2.根据权利要求1所述的基于半监督深度学习的植被遥感图像处理方法,其特征在于,构建所述特征金字塔的方法包括:使用在imagenet上预训练的ResNet101FPN,通过多层CA注意力机制,对感兴趣的植被区域进行筛选,构建所述特征金字塔。
3.一种基于半监督深度学习的植被遥感图像处理系统,所述系统用于实现权利要求1-2任一项所述的方法,其特征在于,包括:采集模块、提取模块、回归模块和优化模块;
所述采集模块用于采集植被的原图数据,得到数据集,其中所述原图数据为遥感图像形式;
所述提取模块用于对所述数据集进行特征提取,得到相关性特征;所述提取模块的工作流程包括:基于所述数据集,构建特征金字塔;基于所述特征金字塔和所述原图数据的坐标,获取所述相关性特征;对特征金字塔结合原图数据的坐标进行特征映射获取局部特征,在通过Pooling层将局部特征结合在一起作为滑动卷积层,对原图数据进行滑动卷积操作获取相关性特征,具体步骤包括:在骨干网络的基础之上,引入Mapping and Correlation模块,用于提取样本与图像之间的相关特征,增强所提取特征的鲁棒性和相关性;同时,使用Multi-layerCoordinateAttention块,捕捉植被的轮廓信息,提高密度分布图预测的准确性,具体的:将ResNet101FPN层与MLCA相结合,用于保留不同阶段的空间-通道特征信息,调整后续MAC模块,突出感兴趣的区域,减轻植被遥感图像中背景噪声的影响;应用坐标注意力到每个ResNet101FPN层的输出图上,作为该层的固有注意力模块;
所述回归模块用于对所述相关性特征进行特征回归操作,得到初始密度分布图;所述回归模块的工作流程包括:对所述相关性特征进行三次上采样操作,将所述相关性特征映射到所述原图数据大小;取所述初始密度分布图的方法包括:对所述相关性特征进行三次上采样操作,将所述相关性特征映射到所述原图数据大小;作为获取相关特征的核心,其操作可分为两个步骤;第一步涉及将输入全局特征层F所述优化模块用于优化所述初始密度分布图,得到最终密度分布图,完成植被遥感图像的处理;具体的,通过预适应网络,对所述初始密度分布图进行参数微调,具体步骤包括:设计损失函数使得所述初始密度分布图区域的密度接近1,随后应用扰动损失来约束高斯分布,得到所述最终密度分布图。