CN119399655A 无人机遥感影像分类模型的构建方法 （深圳市南湖勘测技术有限公司）

本发明涉及无人机遥感影像分类模型的构在构建图结构后，使用图卷积网络GCN对各个节22.根据权利要求1所述的无人机遥感影像分类模型的构建方法，其特征在于所述融合对影像进行层级特征分解；分解过程基于像素值，以及结合局部3.根据权利要求2所述的无人机遥感影像分类模型的构建方法，其特征在于所述融合采用几何中心之间的欧氏距离来计算区域块之间的空间距离3制距离的缩放效果；函数D(i,j)确保在较近节点之间形成较大的边权重，而远距离节点的4.根据权利要求3所述的无人机遥感影像分类模型的构建方法，其特征在于所述融合5.根据权利要求4所述的无人机遥感影像分类模型的构建方法，其特征在于所述融合GCN通过在节点之间传播信息，特征的递归更新；每个节点的特征基于其自身信息进行更6.根据权利要求1所述的无人机遥感影像分类模型的构建方法，其特征在于所述地物通过创建地物在不同条件下的多个版本，学习到地物在不同视角、尺7.根据权利要求6所述的无人机遥感影像分类模型的构建方法，其特征在于所述地物通过对同一影像不同变换版本的正样本和来自其他地物的影像的8.根据权利要求7所述的无人机遥感影像分类模型的构建方法，其特征在于所述地物45型可能无法有效捕捉到这些地物之间的空间关系。无人机遥感影像具有很强的空间复杂67[0032]采用基于余弦相似度的形状相似性计算方法；捕捉到区域块之间的局部几何差重由形状相似性s(i,j)和空间距离D(i,)决定，确保相似且邻近的节点对节点i的特征更新8[0044]通过对同一影像不同变换版本的正样本和来自其他地物的影像的负样本进行对[0046]其中，是特征投影阶段的对比学习损失函数，用于[0047]函数f(z,动用于计算两个嵌入向量之间的相似性；对比损失函数的设计意图是Br9算法通过对影像进行逐层降采样和处理，从而在每个层次上产生不同分辨率的图像表示。的区域块有较大的边权重，而形状或光谱特征相似的区域块也会被赋予较高的连接强度。种空间信息的传播极大地提升了模型对复杂地物分类的理到时间序列中的趋势和变化模式。这对于那些在影像中的空间连续性和地物的形状特征。采用超像素分割和区域生长算法对影像进行分局部二值模式(LBP)或灰度共生矩阵(GLCM)。设定使用了GLCM方法来描述区域块的纹理特[I150,120,110,1801,[50,0.8),I2.040,200),[104.0123,31.5678l].在5000个区域块中，每个空间拓扑关系。[0083]进一步通过融合空间拓扑关系的动态特征捕捉方法来处理无人机遥感影像的分j的位置坐标。设定区域块i的中心坐标为104.0123，31.5678而区域块j的中心坐标为为了在图结构中捕捉这些形状相似的区域块，采用基于余弦相似度的形状相似性计算方特征向量为⃞=[2.0,40,200],表示该区域块的长宽比为2：1，周长为40像素，面积为200像[0112]再设定另一区域块k的形状特征向量为⃞=[1.5,60,250],计算区域块i和k的形状[0120]图神经网络(GCN)通过节点之间的信息传播和特征融合，每个节点的特征不仅基合，S(i,)是节点i和节点j之间的形状相似性，D(i,j)是节点i和节点j之间的空间距离权块i和j之间的形状相似性s(i,j)=0.9997,而空间距离权重D(i,j)=0.9999。是对这些不同作物进行分类，并通过自监督学习方法来提升模型对地物特征的识别能力。了地物特征的自监督聚类学习方法，通过数据增强技术创建地物在不同条件下的多个版crop＝0.25。Aug4[0155]设定经过特征提取，玉米地影像i的低维嵌入向量为z=[0.8,0.5,0.3],而同一玉米地不同变换版本的正样本i+的嵌入向量为不=[0.82,0.48,0.32].计算它们之间的相似性[0165]另一方面，设定来自稻田的负样本嵌入向量为矿=[0.3,0.7,0.11,计算玉米地与稻Br[0175]设定标注样本中的真实标签页=[1,0,0]表示玉米地，而模型预测的类别概率[0.8,0.15,0.05]表示模型预测为玉米地的概率为80预测为稻田的概率为15预测为小