(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210674466.4 (22)申请日 2022.06.15 (71)申请人 滁州学院 地址 239000 安徽省滁州市南谯区会峰西 路1号 (72)发明人 王妮　孟祥端　谌家辉　蒲涛　 张亚丽　刘玉婵　王玉亮　赵明伟　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 刘静 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 基于迁移学习和注意力机制的无人机影像 树种分类方法 (57)摘要 本发明提供了基于迁移学习和注意力机制 的无人机影像树种分类方法， 包括： 基于超像素 分割算法对 无人机高分遥感影像进行聚类分割， 构建样本数据集； 构建ResNeXt50模型， 在所述 ResNeXt50模型中引入空间注意力模 块和通道注 意力模块， 构建CBAM ‑ResNeXt50模型； 基于所述 CBAM‑ResNeXt50模型对所述样本数据集进行分 类与验证， 构建树种分类模型， 通过所述树种分 类模型获取无人机高分影像树种分类结果。 本发 明相较于现有无人机高分影像树种分类方法， 使 用更少的参数量， 消耗的人力， 物力及时间相对 更少， 并能够获得更准确的树种分类结果。 权利要求书2页 说明书7页 附图4页 CN 115035408 A 2022.09.09 CN 115035408 A 1.基于迁移学习和注意力机制的无 人机影像树种分类方法， 其特 征在于， 包括： 基于超像素分割算法对无 人机高分遥感影 像进行聚类分割， 构建样本数据集； 构建CBAM ‑ResNeXt50模型， 所述CBAM ‑ResNeXt50模型包括： ResNeXt50模型、 空间注意 力模块和通道 注意力模块； 基于所述CBAM ‑ResNeXt50模型对所述样本数据集进行分类与验证， 构建树种分类模 型， 通过所述树种分类模型获取 无人机高分影 像树种分类结果。 2.根据权利要求1所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 构建所述样本数据集包括： 通过所述超像素分割算法对所述无人机 高分遥感影像进行聚类分割， 获取所述无人机 高分遥感影 像的分类预测结果； 对所述无 人机高分遥感影 像进行考 察获取实际分类结果； 通过所述实际分类结果对所述分类预测结果进行验证， 构建所述样本数据集。 3.根据权利要求2所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 获取 所述无人机高分遥感影 像的分类预测结果包括： 通过所述超像素分割算法对所述无 人机高分遥感影 像中的像素点进行聚类； 通过shp文件 对聚类后的所述无 人机高分遥感影 像进行裁 剪， 获得所述分类预测结果。 4.根据权利要求3所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 通过所述超像素分割算法对所述无人机高分遥感影像中的像素点进行聚类包 括： 在所述无 人机高分遥感影 像中生成K个种子点； 将所述种子点周围距离最近的若干像素点， 与所述种子点归为一类， 直到无人机高分 遥感影像中的全部像素点归类完毕， 获得 K个超像素； 计算所述K个超像素 里所有像素点的平均向量 值， 获得K个聚类中心； 基于所述K个聚类 中心对周围像素点进行归类， 重新获得K个超像素， 更新聚类 中心， 再 次迭代， 反复直到收敛， 获得聚类后的所述无 人机高分遥感影 像。 5.根据权利要求2所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 构建所述样本数据集还 包括： 对验证后的所述样本数据集进行 数据增强处 理； 将数据增强处 理后的所述样本数据集划分为训练集和验证集。 6.根据权利要求5所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 所述数据增强处 理包括图像旋转处 理和图像镜像处 理。 7.根据权利要求1所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 基于所述CBAM ‑ResNeXt50模型对所述样本数据集进行分类包括： 将所述样本数据集中的样本数据输入所述ResNeXt50模型， 获取所述样本数据的特征 图； 所述特征图进入所述通道注意力模块进行全局平均池化， 获取高层次特征， 将所述高 层次特征进行通道数压缩， 将 压缩后的所述高层次特征进行Sigmoid激活， 获得通道注意力 特征图； 将所述通道注意力特征图输入所述空间注意力模块， 进行最大池化和平均池化处理，权　利　要　求　书 1/2 页 2 CN 115035408 A 2获得拼接特征图， 将所述拼接特征图进行卷积处理， 将卷积后的所述拼接特征图进行 Sigmoid激活， 获得空间注意力特 征图； 将所述通道注意力特征图与所述空间注意力特征图进行相乘， 获得最优特征图， 基于 所述CBAM ‑ResNeXt50模型中的全连接层， 对所述最优特征图进行分类， 完成所述样本数据 集中样本数据的分类。 8.根据权利要求7所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 所述 通道注意力模块包括 通道注意力机制公式； 所述通道注意力机制公式为： Mc(F)＝σ(MLP(AvgPo ol(F))+MLP(MaxPo ol(F))) 其中， σ 为Sigmoid激活函数， MLP为多层感知 器， AvgPool(F)为平均池化， MaxPool(F)为 最大池化。 9.根据权利要求7所述的基于迁移学习和注意力机制的无人机影像树种分类方法， 其 特征在于， 所述空间注意力模块包括空间注意力机制公式； 所述空间注意力机制公式为： Ms(F)＝σ(f7×7([AvgPool(F))； MaxPool(F)])) 其中， σ 为Sigmo id激活函数， f7×7表示卷积核为7 ×7的卷积运 算。 10.根据权利要求1所述的基于迁移学习和 注意力机制的无人机影像树种分类方法， 其 特征在于， 构建所述 树种分类模型还 包括： 基于迁移学习方法对所述CBAM ‑ResNeXt50模型进行训练， 基于交叉熵损失函数衡量所 述CBAM‑ResNeXt50模型的泛化能力， 基于Adam优化， 反 向传播更新所述CBAM ‑ResNeXt50模 型。权　利　要　求　书 2/2 页 3 CN 115035408 A 3