CN114429564B 一种基于双支路的高光谱和LiDAR数据协同分类方法 （哈尔滨理工大学）

一种基于双支路的高光谱和LiDAR数据协同本发明一种基于双支路的高光谱和LiADR数依次执行以下步骤：输入已配准好的高光谱和空间和光谱进行特征提取；采用空洞卷积对LiDAR分支进行特征提取；将高光谱图像分支和LiDAR数据分支所提取的特征进行拼接；最后使用softmax对拼接的特征进行分类，获得样本分类标签；本发明基于双支路的高光谱和LiADR数据协同分类方法，利用高光谱和LiDAR数据各自2出特征图的数量。第一卷积层将输入的HSI切片xeR"转换为特征映射，这是通过采用核矩阵因为带有更小的核权值的波段往往会产生与其他波段相比具有弱激下:波段意义因子反映了输入频带对输出特征图的影响。为了实现步骤c1、对于高光谱的空间分支，采用2D胶囊网络及空步骤c2、对于高光谱的光谱分支，采用1D胶囊网络及空2.根据权利要求1所述的一种基于双支路的高光谱步骤c1中高光谱的空间分支包含八层，结构依次为：空洞卷积层3步骤c2中高光谱的光谱分支包含八层，结构依次为：空洞卷积层3.根据权利要求1所述的一种基于双支路的高光LiDAR分支包含六层，结构依次为：空洞卷积层→Swish激空洞卷积层1→BN层→LeakyReLU激活函数→空洞卷积层2→BN层→LeakyReLU激活函数→4.根据权利要求1所述的一种基于双支路的高光谱和LiDA将高光谱分支和LiDAR分支所提取的数据信息进行拼接，再通过BN层，dropout层，4[0001]本发明一种基于双支路的高光谱和LiDAR数据协同分类方法属于图像分类技术领谱和LiDAR数据的协同分类提供了更好的平台。通过整合多源遥感的个体异质性与数据多对提取出的两种图像的特征进行分类。传统的分类方法在特征学习和分类中的性能有限，此适合用来进行高光谱图像和LiDAR图[0005]本发明提供了一种基于双支路的高光谱和LiDAR数据协同分类方法，使用双分支5xeR构成核矩阵因为带有更小的核权值的波段往往会产生与其他波段相比具有6数→空洞卷积层1→BN层→LeakyReLU激活函数→空洞卷积层2→BN层→LeakyReLU激活函7[0046]本具体实施方式下的一种基于双支路的高光谱和LiDAR数据协同分类方法，流程数据融合竞赛引入的HSI和LiDAR数据组成，数据大小为349×1905个像素，空间分辨率为示输出特征图的数量。第一卷积层将输入的HSI切片xeR"转换为特征映射，这是通过8构成核矩阵因为带有更小的核权值的波段往往会产生与其他波段相比具有[0061]空间通道将以像素pij为中心、半径为r的切片作为输入数据。原始数据切片H?"eR"(ksize-2xr+1)被送入空洞卷积层旨在捕获输入数据的特征，输出特征图。行1D卷积来提取通道间的特征。光谱通道集中于位置pij处的中心像素H",包括空洞卷积9出可以表示为其中||表示连接空间和光谱特征向量胶囊网络将识别同一物体的所有神经元组合在一起形成一个胶囊,这些神经元包含特定图数→空洞卷积层1→BN层→LeakyReLU激活函数→空洞卷积层2→BN层→LeakyReLU激活函[0068]LiDAR分支采用空洞卷积对LiDAR高程信息进行特征提取。LiDAR分支由空洞卷积IyeR"(ksize-2xr+1)为输入数据，使用规范化})+x1j})表示两个对应的快捷路径之间的函数映射操作。68.02±0.3293.02±1.3796.38±0.4569.55±0.7375.63±0.7594.18±3.0096.50±0.4465.74±0.3370.73±0.7692.52±1.4796.32±0.55