CN119091293B 一种海岛礁地形地貌识别分类方法、系统及存储介质 （中国地质大学（武汉））

本发明提供一种海岛礁地形地貌识别分类貌识别分类模型的输出得到海岛礁研究区的地设水深数据和预设遥感数据对初始分类模型进2将所述水深数据和所述遥感数据输入地形地貌识别分类模型，根据所述地分类模型的输出得到所述海岛礁研究区的地其中，通过对比学习利用预设水深数据和预设遥感数据对初始分类模型进行预训练，包括：利用SwinTransformer网络对所述预设水深数据和所述预设遥感数据进行特征提述遥感数据的影像特征映射为对应的规范化低根据所述水深特征和所述遥感数据的影像特征对应的所述规范化通过所述影像水深相似度和所述水深影像相似度对所述初始分类模型进行预训练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训将所述增强后的遥感数据输入所述水深反演模型，通过所述水深反将所述影像特征输入所述水深反演模型的池化层进行特征降维，将所述降维后的影像特征输入所述水深反演模型的全连接层进行线性回归将所述水深数据和所述遥感数据输入所述地形地貌识别分类模型，将所述图像块输入所述地形地貌识别分类模型的图像处理结构得到遥感数据的影像理子结构的输出数据作为所述遥感数据的影像特征和所述3对所述遥感数据的影像特征和所述水深特征进行特征融合，得到先应用六个SwinTransformer模块对所述遥感数据的影像特征和所述水深特征进行将所述融合特征输入MSTUpnet网络模型的解码器，通过所述解码预测单元，用于通过水深反演模型利用所述遥感数据进行预测，分类单元，用于将所述水深数据和所述遥感数据输入地形述地形地貌识别分类模型的输出得到所述海岛礁研究区的地形地貌的分其中，通过对比学习利用预设水深数据和预设遥感数据对初始分类模型进行预训练，包括：利用SwinTransformer网络对所述预设水深数据和所述预设遥感数据进行特征提述遥感数据的影像特征映射为对应的规范化低根据所述水深特征和预设影像特征对应的所述规范化低维度表示通过所述影像水深相似度和所述水深影像相似度对所述初始分类模型进行预训练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训4识别分类模型的输出得到所述海岛礁研究区的地形地练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训[0014]将所述降维后的影像特征输入所述水深反演模型的全连5[0017]将所述图像块输入所述地形地貌识别分类模型的图像处理结构得到遥感数据特子结构的输出数据作为所述遥感数据特征和所述[0023]先应用六个SwinTransformer模块对所述遥感数据特征和所述水深特征进行特[0028]利用SwinTransformer网络对所述预设水深数据和所述预设遥感数据进行特征标签和所述水深影像相似度的概率分布与水深影像真实相似度标签计算对应的损失值，6据所述地形地貌识别分类模型的输出得到所述海岛礁研究区的地形练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训7积层和池化层)和输出层。输入层输入为遥感数据的像素值，卷积层用于提取遥感数据特识别分类模型的输出得到所述海岛礁研究区的地形地练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训貌的识别精度的同时利用对比学习来进行预训练从而不需要大量的海岛礁地形地貌数据。中所用到的数据是遥感数据中的遥感影像数据，在整个流程中所用到的除了遥感影像数感影像数据和光子计数激光雷达数据，显著提高了对海岛礁地形地貌的识别精度和可靠8海岛礁地形地貌的识别精度的同时利用对比学习进行预训练从而不需要大量的海岛礁地[0062]将所述降维后的影像特征输入所述水深反演模型的全连获取水深数据，其中结合图2中SwinTransformer网络结构所示，该网络模型是Multi_由具备下采样功能的图像块合并层和重复堆叠的SwinTransformer模块组成。结合图3所9[0068]将所述图像块输入所述地形地貌识别分类模型的图像处理结构得到遥感数据特子结构的输出数据作为所述遥感数据特征和所述一个图像处理子结构输出的数据被用作最终的遥感数据特征Transformer网络结构图，在本实施例中，首先将图片输入到图像分割层(可以为PatchPatchPartition和LinearEmbedding就是直接通过一个卷积层实现的。然后通过四个Block，注意这里的Block其实有两种结构，最后对于分类网络，后面还会接上一个Layer变成56*56*96(swintransformerblock块不改变图片大小)；这里的patchpartition操的优选实施例中，有两个连续的SwinTransformerBlock,一个SwinTransformerBlock由一个带两层MLP的shiftedwindowbasedMSA组成。在每个MSA模块和每个MLP之前使用Transformer网络模型作为编码器，并将STAGE4的SwinTransformer模块输出特征作为最使用CrossEntropyLoss和DiceLoss按权重加权计算得到。CrossEntropyLoss用于度[0082]先应用六个SwinTransformer模块对所述遥感数据特征和所述水深特征进行特度的语义信息，从而提高模型的性能和泛化能力。结合图5所示的MSTUpnet网络结构图，[0085]Transformer模块进行特征融合，再经过金字塔池化模块有利于进一步提取多尺一问题，在MSTUpnet网络模型中使用到的损失函数由CrossEntropyLoss和DiceLoss按用CrossEntropyLoss时根据标签的不同种类赋予了不同权重；DiceLoss用于评估真实[0097]利用SwinTransformer网络对所述预设水深数据和所述预设遥感数据进行特征发明的预训练网络的结构示意图，预训练网络采用SwinTransformer网络模型作为编码；；标签和所述水深影像相似度的概率分布与水深影像真实相似度标签计算对应的损失值，"()表示影像水深相似度进行Softmax归一化结果，p"(D)表示水深pi2d(I)为预测的影像水深相似度的据所述地形地貌识别分类模型的输出得到所述海岛礁研究区的地形练，根据所述预设水深数据和所述预设遥感数据对预训练后的所述初始分类模型进行训海岛礁地形地貌的识别精度的同时利用对比学习进行预训练从而不需要大量的海岛礁地感数据进行预训练，通过预训练有效挖掘预设水深数据和预设遥感数据中的自监督信息，地形地貌