(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 202211406631.4 (22)申请日 2022.11.10 (71)申请人 齐齐哈尔大 学 地址 161006 黑龙江省齐 齐哈尔市 建华区 文化大街 42号 (72)发明人 石翠萍　陈家祥　王丽婧　王天毅　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 张换男 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于Lush多层特征融合偏置网络的地物识 别方法 (57)摘要 基于Lush多层特征融合偏置网络的地物识 别方法， 本发明涉及地物识别方法。 本发明的目 的是为了解决现有方法在地物分类任务中， 过深 的网络结构 往往会导致过拟合现象， 而传统的激 活函数无法有效解决这个问题； 以及随着网络模 型的加深， 还可能会出现梯度爆炸或梯度消失， 这不利于网络模 型参数中偏置的更新的问题； 以 及没有考虑不同特征层次之间的强互补关系， 以 及如何将深层特征和浅层特征进行有效融合， 导 致地物分类准确率低的问题。 过程为： 一、 获得训 练好的基于Lush多层特征融合偏置网络； 二、 将 待测高光谱 图像输入训练好的基于Lush多层特 征融合偏置网络， 完成对待测高光谱图像的分 类。 本发明用于地物 识别领域。 权利要求书4页 说明书27页 附图9页 CN 115546600 A 2022.12.30 CN 115546600 A 1.基于Lush多层特征融合偏置网络的地物识别方法， 其特征在于： 所述方法具体过程 为： 一、 建立基于Lush多层特征融合偏置网络LMFFBNet， 基于训练集获得训练好的基于 Lush多层特 征融合偏置网络LMF FBNet； 所述训练集 为采集的高光谱图像； 二、 将待测高光谱图像输入训练好的基于Lush多层特征融合偏置网络LMFFBNet， 完成 对待测高光谱图像的分类； 所述基于Lush多层 特征融合偏置网络LMFFBNet包括输入层、 前端子网络、 后端子网络、 SFB模块、 MFFB模块、 第一卷积模块、 第二卷积模块、 CAM模块、 BN层、 第一平均池化层、 FC层、 分类层； 所述基于Lush多层特 征融合偏置网络LMF FBNet连接关系为： 图像输入前端子网络， 前端子网络 输出结果分别输入后端子网络和MF FB模块； 后端子网络 输出结果输入MF FB模块； 将MFFB模块输出 结果和后端子网络 输出结果进行融合， 得到融合后特 征； 融合后特 征输入第一卷积模块， 第一卷积模块输出输入第二卷积模块； 第二卷积模块输出输入CAM模块， 将CAM模块输出结果和第二卷积模块输出结果进行点 乘； 点乘结果依次经 过BN层、 第一平均池化层、 FC层、 分类层， 得到最终分类结果。 2.根据权利要求1所述的基于Lush多层特征融合偏置网络的地物识别方法， 其特征在 于： 所述前端子网络依次包括第一卷积层、 第二卷积层、 Lush 激活函数； 所述后端子网络依次包括第三卷积层、 第四卷积层、 第五卷积层、 第六卷积层、 Lush激 活函数； 所述第一卷积模块依次包括第七卷积层、 Lush 激活函数； 所述第二卷积模块依次包括第八卷积层、 Lush 激活函数。 所述第一层卷积核大小为1*1*7， 步长为2； 所述第二层卷积核大小为1*1*1， 步长为1； 所述第三层卷积核大小为1*1* 3， 步长为1； 所述第四层卷积核大小为1*1* 5， 步长为1； 所述第五层卷积核大小为1*1*7， 步长为1； 所述第六层卷积核大小为1*1*1， 步长为1。 3.根据权利要求2所述的基于Lush多层特征融合偏置网络的地物识别方法， 其特征在 于： 所述MF FB模块包括第三卷积模块、 第四卷积模块、 第五卷积模块、 第六 卷积模块； 所述MFFB模块连接关系为： 将前端子网络 输出特征A均分为特 征A1、 特征A2、 特征A3、 特征A4； 将后端子网络 输出特征B均分为特 征B1、 特征B2、 特征B3、 特征B4； 将特征A1和特 征B1进行融合得到特 征C1， 将特 征C1输入第三卷积模块输出 特征C2； 将特征C2、 特征A2和特征B2进行融合得到特征F1， 将特征F1输入第四卷积模块输出特 征C3； 将特征C3、 特征A3和特征B3进行融合得到特征F2， 将特征F2输入第五卷积模块输出特权　利　要　求　书 1/4 页 2 CN 115546600 A 2征C4； 将特征C4、 特征A4和特征B4进行融合得到特征F3， 将特征F3输入第六卷积模块输出特 征F； 将特征F与后端子网络 输出特征B进行融合得到 MFFB模块输出 结果； 所述第三卷积模块依次包括第九卷积层、 第十卷积层、 第十一卷积层、 第十二卷积层、 Lush激活函数； 所述第四卷积模块依次包括第十三卷积层、 第十四卷积层、 第十五卷积层、 第十六卷积 层、 Lush激活函数； 所述第五卷积模块依次包括第十七卷积层、 第十八卷积层、 第十九卷积层、 第 二十卷积 层、 Lush激活函数； 所述第六卷积模块依次包括第 二十一卷积层、 第 二十二卷积层、 第二十三卷积层、 第二 十四卷积层、 Lush 激活函数。 4.根据权利要求3所述的基于Lush多层特征融合偏置网络的地物识别方法， 其特征在 于： 所述第九卷积层、 第十三卷积层、 第十七卷积层、 第二十一卷积层的卷积核大小为3 ×3 ×1； 所述第十卷积层、 第十四卷积层、 第十八卷积层、 第二十二卷积层的卷积核大小为1 ×1 ×1； 所述第十一卷积层、 第十五卷积层、 第十九卷积层、 第二十三卷积层的卷积核大小为1 ×1×3； 所述第十二卷积层、 第十六卷积层、 第二十卷积层、 第二十四卷积层的卷积核大小为1 ×1×5； 所述第九卷积层、 第十卷积层、 第十一卷积层、 第十二卷积层、 第十三卷积层、 第十四卷 积层、 第十五卷积层、 第十六卷积层、 第十七卷积层、 第十八卷积层、 第十九卷积层、 第二十 卷积层、 第二十一卷积层、 第二十二卷积层、 第二十三卷积层、 第二十四卷积层的步长为1。 5.根据权利要求4所述的基于Lush多层特征融合偏置网络的地物识别方法， 其特征在 于： 所述SFB模块包括输入层、 第二平均池化层、 最大池化层、 第三平均池化层、 Lush激活函 数； 所述SFB模块连接关系为： 设特征X0经输入层后分别输入第二平均池化层和最大池化层， 第二平均池化层输出特 征X1， 最大池化层输出特征X2； 将第二平均池化层输出特征X1和最大池化层输出特征X2进行 级联操作 得到特征X3； 将特征X3输入第三平均池化层， 得到特征X； 对特征X进行卷积操作得 到校准矩阵Y； 即 Y＝Lush(F(X)＝X K+b)                      (1) 式(18)中， F( ·)表示卷积函数， b表示卷积偏置项， K表示卷积核， Lush表示Lush激活函 数； 所述X0为2C个RH×W×L， 其中H×W为立方体的空间大小， L 为光谱维度， C为 通道数。 6.根据权利要求5所述的基于Lush多层特征融合偏置网络的地物识别方法， 其特征在 于： 所述CAM模块的连接关系为： 假设输入为A ′∈RH×W×1， 通道数为C， 经 过向量化操作将RH×W×C转化为RN×C；权　利　要　求　书 2/4 页 3 CN 115546600 A 3