买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京林业大学

摘要：本发明公开了一种基于半监督深度学习的植被遥感图像处理方法及系统，其中方法包括采集植被的原图数据，得到数据集，其中原图数据为遥感图像形式；对数据集进行特征提取，得到相关性特征；对相关性特征进行特征回归操作，得到初始密度分布图；优化初始密度分布图，得到最终密度分布图，完成植被遥感图像的处理。本发明能够有效地提取复杂的植被纹理特征，通过捕捉植被的轮廓信息，提高了密度分布图预测的准确性；同时还通过密度图预测原始输入图像的植被密度分布，进而实现单木的分割和计数，解决了传统方法精准度不高，适应性较差，标注成本高的问题。还可以对参数进行轻量级微调，适应复杂植被生长环境中的任务场景。

主权项：1.一种基于半监督深度学习的植被遥感图像处理方法，其特征在于，步骤包括：采集植被的原图数据，得到数据集，其中所述原图数据为遥感图像形式；对所述数据集进行特征提取，得到相关性特征；得到所述相关性特征的步骤包括：基于所述数据集，构建特征金字塔；基于所述特征金字塔和所述原图数据的坐标，获取所述相关性特征；对特征金字塔结合原图数据的坐标进行特征映射获取局部特征，在通过Pooling层将局部特征结合在一起作为滑动卷积层，对原图数据进行滑动卷积操作获取相关性特征，具体步骤包括：在骨干网络的基础之上，引入MappingandCorrelation模块，用于提取样本与图像之间的相关特征，增强所提取特征的鲁棒性和相关性；同时，使用Multi-layerCoordinateAttention块，捕捉植被的轮廓信息，提高密度分布图预测的准确性，具体的：将ResNet101FPN层与MLCA相结合，用于保留不同阶段的空间-通道特征信息，调整后续MAC模块，突出感兴趣的区域，减轻植被遥感图像中背景噪声的影响；应用坐标注意力到每个ResNet101FPN层的输出图上，作为该层的固有注意力模块；对所述相关性特征进行特征回归操作，得到初始密度分布图；获取所述初始密度分布图的方法包括：对所述相关性特征进行三次上采样操作，将所述相关性特征映射到所述原图数据大小；作为获取相关特征的核心，其操作可分为两个步骤；第一步涉及将输入全局特征层Fi与示例框坐标B进行映射，以获取局部示例特征层；该操作的目的是从与单个树对应的特定感兴趣区域中提取特征，这个提取出来的区域作为后续特征提取的模板，用于网络理解任务的目标；第二步涉及使用Ei作为卷积层对全局特征层进行卷积操作，从而获得相关特征层，得到初始密度分布图；卷积操作固有地涉及到捕捉相关特征Ci；通过在卷积层中利用不同尺度的单树模板信息作为局部特征，增强从原始全局特征中提取特征的过程；最后，这些相关的特征层被统一汇聚并串联在一起，这种特征融合捕捉了局部和全局特征之间的关系，更能反映植被的密度分布；优化所述初始密度分布图，得到最终密度分布图，完成植被遥感图像的处理；获取所述最终密度分布图的方法包括：通过预适应网络，对所述初始密度分布图进行参数微调，具体步骤包括：设计损失函数使得所述初始密度分布图区域的密度接近1，随后应用扰动损失来约束高斯分布，得到所述最终密度分布图。

全文数据：

权利要求：

百度查询： 南京林业大学 一种基于半监督深度学习的植被遥感图像处理方法及系统