CN115346071B 高置信局部特征与全局特征学习的图片分类方法及系统 （南京理工大学）

高置信局部特征与全局特征学习的图片分本发明公开了一种高置信局部特征与全局采用不同步长的滑动窗口和非最大抑制方法去部感兴趣候选区域属于类属标签的概率作为置2第二步，将第一步深度分离卷积特征学习模块提取的特征作指定数量的候选局部感兴趣区域作为高置信局部感兴趣判别与特征学习模第四步，将局部感兴趣区域特征的尺寸规范到同一标准，再第六步，将高置信局部感兴趣特征与全局上下文特征聚合2.根据权利要求1所述的高置信局部特征与全局特征学习的图片分类方法，其特征在(4)共进行四个阶段的深度分离卷积块的堆叠，每两个阶段的堆叠之间嵌入一个下采步骤(4)的输出作为多尺度特征学习模块的输入以及3.根据权利要求2所述的高置信局部特征与全局特征学习的图片分类方法，其特征在34.根据权利要求3所述的高置信局部特征与全局特征学习的图片分类方法，其特征在5.根据权利要求4所述的高置信局部特征与全局特征学习的图片分类方法，其特征在46.根据权利要求5所述的高置信局部特征与全局特征学习的图片分类方法，其特征在(1)将高置信局部感兴趣判别与特征学习模块的输出{R1,R2...RM}都调整成H'xW'x(2)将第一步的输出，作为全局特征提取的输入，经过全局平均池化和层归一化操作(3)将步骤(1)的高置信局部特征与步骤(2)的上下文特征进行聚合，作为分类模块的7.根据权利要求6所述的高置信局部特征与全局特征学习的图片分类方法，其特征在候选局部感兴趣区域生成模块，采用不同步长的滑动窗口和非最大高置信局部感兴趣区域判别与特征学习模块，计算局部感特征聚合模块，将提取的高置信局部感兴趣区域特征与全局行时实现权利要求1_7中任一所述的方法5[0003]随着深度学习的快速发展，许多基于深度学习的遥感图像分类方法已经被提人[PenattiOAB,NogueiraK,DosSantosJA.DodeepfeaturesgeneralizefromoftheIEEEconferenceoncomputervisionandpatternrecognitionworkshops.2015:44_51.]研究了预训练卷积神经网络在遥感场景分类中的泛化能力。NogueiraK等人[NogueiraK，PenattiOAB，dosSantosJA.Towardsbetterexploitingconvolutionalneuralnetworksforremotesensingscene过微调的方式得到的效果最佳。陈亚当等人[一种基于Resnet50结合注意力机制和特征金[0004]本发明的目的在于提出一种高置信局部特征与全局特征学习的图片分类方法及6对多尺度特征区域采取非极大值抑制减少区域冗余，生成一个表示多尺度特征区域列表，提取指定数量的候选局部感兴趣区域作为高置信局部感兴趣判别与特征学习模块7[0040](4)共进行四个阶段的深度分离卷积块的堆叠，每两个阶段的堆叠之间嵌入一个8对多尺度特征区域采取非极大值抑制减少区域冗余，生成一个表示多尺度特征区域列表，提取指定数量的候选局部感兴趣区域作为高置信局部感兴趣判别与特征学习模块的输入，终保留列表D中；计算L中其余区域框与当前区域框的IOU，当二者IOU大于固定阈值u时删9[0064]第六步，将高置信感兴趣局部特征与全局特征聚合后的特征，连结全连接层及据集的所有图像均来武汉大学和华中科技大学发布，总包含30类场景图像，每一类大概离卷积特征学习网络。在Linux操作系统下采用Python3.8+pytorch1.8+cuda11.2完[0086]表2_表3为本发明方法对NWPU_RESISC45与AID数据集进行仿真实验的分类准确度[0092]从实验结果来看，通过使用本发明方法可以明显提升两个数据集的分类准确在AID数据集上，本发明方法的分类准确度为95.7提取多尺度特征信息。在NWPU_RESISC45数据集上，本发明方法的平均精度为91.93±