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: 2025101602355
申请人: 安徽大学
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:

1.一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,包括以下步骤:步骤一、Swin Transformer模块构建,包括:利用四个阶段的Swin Transformer块组成编码器,先将输入的遥感图像分割为不重叠的块,块大小为4×4,一个块展平后的特征维度为4×4×3=48,1张图像处理后的特征维度则为H/4×W/4×48,用线性嵌入层将H/4×W/4×48张量投影到维度C,再输送进Swin Transformer块;

步骤二、在编码器和解码器之间引入深浅层特征交叉融合模块建立连接,包括:首先四个层级Swin Transformer块输出的特征图通过通道对齐操作进行特征通道对齐,调整特征通道的维度和分布,使得不同层级的特征能够在相同的空间上进行有效融合;然后,对中间第二、第三层级支路的前一个支路和后一个支路分别进行下采样和上采样操作,使其转换成与当前支路特征图一致的尺寸,对边界的第一层级支路的下一条支路和第四层级支路的上一条支路分别进行上采样和下采样操作;接着,将上一条和下一条支路的特征与当前支路的特征进行拼接来完成交叉融合,将各层级经交叉融合后的特征进行3×3卷积操作来进一步挖掘细粒度信息;最后,通过具有空间位置感知能力的坐标注意力机制来捕获空间内的长距离依赖关系;

步骤三、在模型的解码器部分引入全局-局部注意力模块,包括:全局-局部注意力模块由多尺度卷积组成的局部分支和基于窗口的多头自注意力机制的全局分支构成,分别提取局部细节信息和全局空间依赖语义特征;

步骤四、模型精度验证及分析。

2.根据权利要求1所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,所述步骤一中的Swin Transformer块由基于窗口的Transformer块和基于窗口滑动的Transformer块组成,所述Swin Transformer块采用基于窗口的Transformer块和基于窗口滑动的Transformer块对图像所有token进行全局自注意力计算,将图像分割为不重叠的窗口,在局部窗口内进行自注意力计算,通过滑动窗口在窗口间建立信息连接;

所述基于窗口的Transformer块包含W-MSA、多层感知机和层归一化,所述基于窗口滑动的Transformer块包含SW-MSA、多层感知机和层归一化,均在内部应用残差连接;

Swin Transformer块计算过程由公式表示为:

(1)

(2)

(3)

(4)

其中,代表W-MSA的输入特征,和表示W-MSA和SW-MSA的输出特征,和表示经过LN和MLP的输出特征。

3.根据权利要求2所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,步骤一还包括:保持输出的tokens数量为H/4×W/4,线性嵌入层与SwinTransformer块组成编码器的第一个阶段,输出的特征维度为H/4×W/4×C,随着网络的加深,在第2、3、4阶段的Swin Transformer块前应用一个块合并,通过合并块来将token的数量变为原来的1/4,由Patch Merging和Swin Transformer Block组成的第2、3、4阶段输出特征维度分别为H/8×W/8×2C、H/16×W/16×4C、H/32×W/32×8C。

4.根据权利要求3所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,步骤二还包括:将四层级特征图的通道数从128,256,512,1024分别都降低到32;四个层级Swin Transformer块输出的特征图通过通道对齐操作进行特征通道对齐,公式为:(5)

其中,为编码器的输出特征,为CA通道对齐的输出特征;

对中间第二、第三层级支路的前一个支路和后一个支路分别进行下采样和上采样操作,公式为:(6)

其中,i为第i个层级特征,Down为下采样操作,Up为2倍的双线性插值上采样操作,和分别表示当前支路的前一个和后一个支路经过CA通道对齐的输出特征,和分别表示经过下采样和上采样操作的输出特征;

通过具有空间位置感知能力的坐标注意力机制来捕获空间内的长距离依赖关系,公式为:(7)

其中,表示当前支路的特征,分别表示前一层级和后一层级的特征图,Concat是特征拼接操作,CBR为3×3的卷积、BN和Relu操作,A表示坐标注意力机制,表示不同层级特征交叉融合后的结果。

5.根据权利要求4所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,所述步骤三还包括:局部分支使用卷积核大小为5×5、3×3和1×1的卷积组来捕获不同尺度的空间和光谱特征,从而充分的提取局部细粒度特征,公式为:(8)

其中,表示局部分支的输出特征;

在全局分支中,先使用1×1卷积将输入的特征图的维度数C扩大到3倍,为了降低自注意力模块带来的计算复杂度,对输入特征进行窗口分割操作,将特征图划分为若干不重叠窗口,在每个窗口内执行自注意力机制,降低整体计算开销,保留全局上下文信息,在窗口内,将输入的序列分别映射为向量,表示为:(9)

其中,X是输入序列的表示,、、是可学习的权重矩阵,通过计算Q和K之间的点积来获取注意力权重,对点积结果使用Softmax函数进行归一化,生成注意力权重,将注意力权重乘以V,得到每个注意力得分,表示为:(10)

其中,是K向量的通道维度,是缩放因子,用于缓解梯度消失问题,将Q、K、V向量分为h个头,分别计算每个头的自注意力,表示为:(11)

其中,是Q、K、V在第i个注意力头上的投影,将所有注意力头的结果拼接起来,并通过一个线性变换得到最终的多头自注意力输出,表示为:;

其中,是科学系的线性变换矩阵。

6.根据权利要求5所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,通过融合全局分支获取的全局上下文信息与局部分支提取的局部特征,实现对多尺度信息的综合表达,表示为:(12)

其中,表示全局分支和局部分支融合的结果;

所述全局-局部注意力模块内部应用残差连接,流程表示为:

(13)

(14)

其中,GLA代表全局和局部分支组成的全局-局部注意力部分,表示GLA、BN的输入特征,表示MLP、BN的输出特征。

7.根据权利要求6所述的一种联合全局-局部多阶深浅层特征的景观格局分类方法,其特征在于,所述步骤四中,利用F1、OA、IoU三个评价指标对分类结果进行精度验证,具体公式如下:(15)

(16)

(17)

式中,TP、FP、FN和TN分别表示真阳性预测、假阳性预测、假阴性预测和真阴性预测的数量。

我要求购
我不想找了,帮我找吧
您有专利需要变现?
我要出售
智能匹配需求,快速出售