(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210076296.X (22)申请日 2022.01.24 (65)同一申请的已公布的文献号 申请公布号 CN 114092833 A (43)申请公布日 2022.02.25 (73)专利权人 长沙理工大 学 地址 410000 湖南省长 沙市天心区赤岭路 45号 (72)发明人 王威　邓纪伟　王新　李骥　 刘冠群　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 唐品利 (51)Int.Cl. G06V 20/13(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112653899 A,2021.04.13 CN 110633709 A,2019.12.31 CN 111522956 A,2020.08.1 1 CN 113887487 A,202 2.01.04 US 2021141995 A1,2021.0 5.13 审查员 严颖 (54)发明名称 遥感图像分类方法、 装置、 计算机设备和存 储介质 (57)摘要 本申请涉及一种遥感图像分类方法、 装置、 计算机设备和存储介质。 所述方法获取遥感图 像， 并对遥感图像进行标注， 得到训练样本； 将训 练样本输入到预设的输入网络中进行特征提取， 并将提取到的特征输入CAT模块中经过通道切分 处理后， 其中一部分特征信息通过Transformer 结构进行全局特征提取， 另一部分特征信息则通 过CNN结构和1 ×1点卷积操作进行局部特征提 取， 并将提取的全局特征和局部特征进行通道拼 接， 实现并行通道下的多特征提取， 最后利用分 类器输出分类结果。 本方法在计算量与参数量大 大低于经典网络的同时， 准确率 也较高。 权利要求书3页 说明书9页 附图5页 CN 114092833 B 2022.05.27 CN 114092833 B 1.一种遥感图像分类方法， 其特 征在于， 所述方法包括： 获取遥感图像， 并对所述遥感图像进行 标注， 得到训练样本； 将所述训练样本输入到预设的输入网络中， 得到卷积池化特征； 所述预设的输入网络 包括： 多个不同尺度的卷积层和最大池化层； 将所述卷积池化特征输入到预设的特征提取主干网络中， 经过三个连续的CAT  模块进 行多尺度的特征提取， 得到多尺度特征； 所述预设的特征提取主干网络包括三个CAT模块， 所述CAT模块用于对输入的特征按照预设比例进行通道切分， 将切分后的第一特征采用若 干个连续的瓶颈残差模块和点卷积层进行局部特征提取， 将切分后的第二特征采用若干个 连续的Swin  Transformer模块进行全局特征提取， 并将提取到的局部特征和全局特征进行 通道拼接； 将所述多尺度特 征输入到预设的分类 器中， 得到 遥感图像分类结果； 其中： 所述CAT模块包括通道切分模块、 由若干个连续的瓶颈残差模块和 1个点卷积层 组成的卷积神经网络支路、 由分片嵌入层和若干个连续的Swin  Transformer模块组成的 Transformer 支路、 通道拼接模块； 多尺度特 征包括： 浅层全局与局部特 征、 中层全局与局部特 征和深层全局与局部特 征； 步骤： 将所述卷积池化特征输入到预设的特征提取主干网络中， 经过三个连续的CAT   模块进行多尺度的特 征提取， 得到多尺度特 征， 包括： 将所述卷积池化特征输入到第一个CAT  模块的通道切分模块中， 采用预设比例进行切 分， 得到第一组特 征和第二组特 征； 将所述第一组特征输入到第一个CAT  模块的卷积神经网络支路中， 得到浅层局部特 征； 将所述第二组特 征输入到第一个CAT  模块的Transformer 支路中， 得到 浅层全局特 征； 将所述浅层局部特征和所述浅层全局特征输入到第 一个CAT 模块的通道拼接模块中， 得到浅层全局与局部特 征； 将所述浅层全局与局部特征输入到第二个CAT  模块的输入， 得到中层全局与局部特 征； 将所述中层全局与局部特征输入到第三个CAT  模块的输入， 得到深层全局与局部特 征。 2.根据权利要求1所述的方法， 其特征在于， 所述预设的输入 网络中卷积层的数量为3， 卷积核分别为： 7 ×7、 1×1和3×3； 将所述训练样本 输入到预设的输入网络中， 得到卷积池化特 征， 包括： 将所述训练样本输入到卷积核为7 ×7的卷积层中， 并将得到卷积特征输入到最大池化 层， 得到第一卷积池化特 征； 将所述第 一卷积池化特征输入到卷积核为1 ×1的卷积层中， 并将得到的输出输入到卷 积核为3×3的卷积层中， 得到卷积池化特 征。 3.根据权利要求1所述的方法， 其特征在于， 预设的分类器包括预设的主分类器、 预设 的浅层辅助分类 器、 预设的中层辅助分类 器； 将所述多尺度特 征输入到预设的分类 器中， 得到 遥感图像分类结果， 包括： 将所述浅层全局与局部特征输入到预设的浅层辅助分类器中， 得到浅层辅助分类结 果；权　利　要　求　书 1/3 页 2 CN 114092833 B 2将所述中层全局与局部特征输入到预设的中层辅助分类器中， 得到中层辅助分类结 果； 将所述深层全局与局部特 征输入到预设的主分类 器中， 得到主分类结果； 将所述浅层辅助分类结果、 所述中层辅助分类结果以及所述主分类结果进行加权平均 后， 得到遥感图像的分类结果。 4.根据权利要求3所述的方法， 其特征在于， 将所述浅层全局与局部特征输入到预设的 浅层辅助分类器中， 得到浅层辅助分类结果， 步骤中预设的浅层辅助分类器由平均池化层、 点卷积层、 卷积核为3 ×3的卷积层以及两个全连接层组成。 5.根据权利要求1所述的方法， 其特征在于， 将所述中层全局与局部特征输入到预设的 中层辅助分类器中， 得到中层辅助分类结果， 步骤中预设的中层辅助分类器由平均池化层、 点卷积层以及两个全连接层组成。 6.根据权利要求1所述的方法， 其特征在于， 将所述深层全局与局部特征输入到预设的 主分类器中， 得到主分类结果， 步骤中所述预设的主分类器由平均池化层、 和1个全连接层 组成。 7.一种遥感图像分类装置， 其特 征在于， 所述装置包括： 样本获取模块， 用于获取遥感图像， 并对所述遥感图像进行 标注， 得到训练样本； 输入网络训练模块， 用于将所述训练样本输入到预设的输入网络中， 得到卷积池化特 征； 所述预设的输入网络包括： 多个不同尺度的卷积层和最大池化层； 特征提取主干网络训练模块， 用于将所述卷积池化特征输入到预设的特征提取主干网 络中， 经过三个连续的CAT  模块进行多尺度的特征提取， 得到多尺度特征； 所述预设的特征 提取主干网络包括三个CAT模块， 所述CAT模块用于对输入的特征按照预设比例进 行通道切 分， 将切分后的第一特征采用若干个连续的瓶颈残差模块和点卷积层进行局部特征提取， 将切分后的第二特征采用若干个连续的Swin  Transformer模块进行全局特征提取， 并将提 取到的局部特 征和全局特 征进行通道拼接； 分类结果确定模块， 用于将所述多尺度特征输入到预设的分类器中， 得到遥感图像分 类结果； 其中： 特征提取主干网络训练模块， 还用于将所述卷积池化特征输入到第一个CAT  模 块的通道切分模块中， 采用预设比例进 行切分， 得到第一组特征和 第二组特征； 将所述第一 组特征输入到第一个CAT  模块的卷积神经网络支路中， 得到浅层局部特征； 将所述第二组 特征输入到第一个CAT  模块的Transformer支路中， 得到浅层全局特征； 将所述浅层局部特 征和所述浅层 全局特征输入到第一个CAT  模块的通道 拼接模块中， 得到浅层 全局与局部特 征； 将所述浅层 全局与局部特征输入到第二个CAT  模块的输入， 得到中层全局与局部特征； 将所述中层全局与局部特征输入到第三个CAT  模块的输入， 得到深层全局与局部特征； 所 述CAT模块包括通道切分模块、 由若干个连续的瓶颈残差模块和1个点卷积层组成的卷积神 经网络支路、 由分片嵌入层和若干个连续的Swin  Transformer模块组成的Transformer支 路、 通道拼接模块； 多尺度特征包括： 浅层全局与局部特征、 中层全局与局部特征和深层全 局与局部特 征。 8.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至 6中任一项所述方法的步骤。权　利　要　求　书 2/3 页 3 CN 114092833 B 3