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！

摘要：本发明公开了一种可解释性深度网络的卫星云图多标签哈希检索方法，涉及卫星云图多标签检索领域，将目标云图输入至预先训练好的可解释性深度网络得到目标哈希码；利用目标哈希码及各历史云图的哈希码进行相似度测量检索出与目标云图相似的历史云图；可解释性深度网络包括特征学习模块及哈希学习模块，特征学习模块包括全局特征学习模块及局部特征学习模块，局部特征学习模块包括注意分支网络及抑制模块，注意力分支网络提升了特征提取的有效性，抑制模块可逐步发现其他互补区域以赋予各局部特征特有语义信息，令检索具有一定可解释性，多标签监督机制引入哈希学习模块可更好描述卫星云图复杂的语义内容，提高检索效率，实现了卫星云图的精确检索。

主权项：1.一种可解释性深度网络的卫星云图多标签哈希检索方法，其特征在于，包括：将获取到的目标云图作为输入项输入至预先训练好的可解释性深度网络，以得到所述目标云图的目标哈希码，其中，所述可解释性深度网络包括用于生成所述目标云图的具有可解释性的融合特征的特征学习模块及用于生成所述目标哈希码的哈希学习模块，所述特征学习模块包括全局特征学习模块及局部特征学习模块，所述全局特征学习模块为用于学习表征所述目标云图的单个全局语义特征的单元，所述局部特征学习模块为用于学习所述目标云图中不同区域内的多个云类型的局部语义特征的单元，进而将所述全局特征学习模块的输出与局部特征学习模块的输出进行拼接组合后得到所述融合特征；所述局部特征学习模块包括多个局部分支，每个所述局部分支中包括注意分支网络及抑制模块，得到多个用于表述不同区域内的多个云类型的局部语义信息的局部特征，从而利用所述融合特征生成所述目标哈希码；所述哈希学习模块中引入了多标签监督机制；根据所述目标哈希码及历史云图数据库中各历史云图的哈希码进行相似度测量，检索出与所述目标云图相似的历史云图；所述的可解释性深度网络中的特征学习模块对所述目标云图的融合特征的生成步骤为：将所述目标云图输入至骨干网络以得到深层特征图；根据所述深层特征图及预设全局特征提取策略，确定表征所述目标云图的全局语义信息的全局特征；基于所述深层特征图及预设局部特征提取策略，确定表征所述目标云图中不同区域下多个云类型的局部语义信息的局部特征；将所述全局特征与所述局部特征进行拼接，以得到融合特征；所述的基于所述深层特征图及预设局部特征提取策略，确定表征所述目标云图中不同区域下云类型的局部语义信息的局部特征的具体过程包括：将所述深层特征图进行卷积后得到第一子图；根据预设注意力策略对所述第一子图进行处理以得到表征最具区别性区域的挖掘结果的第一注意力图；根据所述第一注意力图及所述第一子图生成第一局部特征图；确定表征所述第一局部特征图下云类型的局部语义信息的第一局部特征，以便将所述全局特征与所述第一局部特征进行拼接，进而得到所述目标云图对应的融合特征；所述的根据预设注意力策略对所述第一子图进行处理以得到表征最具区别性区域的挖掘结果的第一注意力图之后，还包括：S21：令o＝1；S22：基于所述第一子图对应的第一注意力图及第二预设关系式确定第二像素点，以得到所述第二像素点对应的抑制图；所述第二预设关系式为： 其中，μk′为所述抑制图中的第k个第二像素点的像素值，μk为所述第一注意力图中的第k个像素点的像素值，a为预设超参数，μmean为所述第一注意力图中所有像素点的像素值的平均数，μstd为所述第一注意力图中所有像素点的像素值的标准差；S23：根据所述抑制图及所述第一子图确定第o个第二子图；S24：根据所述预设注意力策略对第o个第二子图进行处理以得到第o个第二注意力图，以便根据第o个第二注意力图及第o个第二子图生成第o个第二局部特征图，进而确定第o个第二局部特征图对应的第o个第二局部特征；S25：令o＝o+1；S26：判断所述o是否达到预设分支数目，所述预设分支数目为不小于2的整数；若否，进入S27；若是，进入S29；S27：根据第o-1个第二注意力图及所述第二预设关系式确定新的第二像素点，以得到新的第二像素点对应的新的抑制图；S28：根据所述新的抑制图及第o-1个第二子图生成第o个第二子图；并返回S24；S29：将所述全局特征、所述第一局部特征与得到的共o-1个第二局部特征进行拼接，以得到所述目标云图对应的融合特征。

全文数据：

权利要求：

百度查询： 宁波大学 一种可解释性深度网络的卫星云图多标签哈希检索方法