(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 202210609751.8 (22)申请日 2022.05.31 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 崔巍　赵慧琳　夏聪　王锦　续兴　 冯湛芸　陈佳乐　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 罗飞 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/05(2022.01) G06V 10/74(2022.01)G06V 10/77(2022.01) G06V 10/26(2022.01) G06T 7/33(2017.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于跨样本关注机制图神经网络的遥感影 像海洋目标识别方法 (57)摘要 本发明公开了一种基于跨样本关注机制图 神经网络的遥感影像海洋目标识别方法， 该方法 包括如下步骤： 获取数据； 数据预处理； 超像素分 割； 影像解译； 样本制作； 数据集生成； 网络构建； CSGAN训练； 验证分析。 本发明的目的是提供一种 方法， 可以充分利用遥感对象的语义信息， 通过 跨样本关注机制聚合来自不同样本的遥感对象 语义信息， 以实现遥感影像中海洋目标的识别提 取。 权利要求书2页 说明书8页 附图5页 CN 114882292 A 2022.08.09 CN 114882292 A 1.基于跨样本关注机制图神经网络的遥感影 像海洋目标识别方法， 其特 征在于， 包括： S1： 采集预设研究区域的高分辨 率遥感影 像； S2： 对采集的高分辨 率遥感影 像进行预处理； S3： 对预处理后的高分辨率遥感影像进行超像素分割， 得到矢量超像素分割数据， 其 中， 矢量超像素分割数据包 含ID； S4： 对得到的矢量超像素分割数据进行标注和栅格化， 得到标注图像数据； 根据矢量超 像素分割数据的ID对 超像素进行栅格化， 得到对象掩膜图像数据； S5： 对预设研究区域的预处理后的高分辨率遥感影像、 标注图像数据以及超像素对象 序号掩膜图像数据进行裁剪取样， 构建遥感影像样本， 并进行分组， 其中， 每一组遥感影像 样本包括 一个中心样本和四个边 缘样本； S6： 生成的遥感影 像样本按照预设比例划分为训练集、 验证集和 测试集； S7： 搭建基于跨样本关注机制的图神经网络模型， 该网络模型包括骨干网络、 图内关注 模块、 跨样本关注模块以及输出模块， 其中， 骨干网络用于从输入的数据中提取影像特征， 图内关注模块用于将 影像特征与对象掩膜进 行叠加生成图节点特征， 并使用图关注机制进 行样本内的语义信息关注； 跨样本 关注模块用于根据样本内的语义信息关注将中心样本与 每一个边缘样本进行跨样本关注， 得到最终的节点特征， 输出模块用于根据最终的节点特 征得到超像素分类结果， 并将超像素分类结果与超像素对 象掩膜进行叠加， 得到整个样本 图像的语义分割结果； S8： 利用划分的训练集对基于跨样本关注机制的图神经网络模型进行训练， 得到训练 好的模型； S9： 利用训练好的模型进行遥感影 像海洋目标识别。 2.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 步骤S2包括： 使用专业软件对采集的高分辨率遥感影像进行预处理， 包括 拼接裁剪、 辐射定标、 几何校正、 大气校正。 3.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 步骤S3包括： 使用软件 对预处理后的高分辨 率遥感影 像进行超像素分割。 4.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 步骤S4中对得到的矢量超像素分割数据进 行标注和栅格化， 得到标注图像 数据， 包括： 对得到的矢量超像素分割数据进行标注， 得到标注结果， 包括在预设研究区域中的影 像中每个超像素 所对应的地物类别和编号； 基于标注结果， 将超像素按照标注类别进行栅格化， 得到标注图像数据， 其中标注图像 数据中的每 个像素值表示该区域所属的地物类别编号。 5.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 步骤S4中根据矢量超像素分割数据的ID对超像素进 行栅格化， 得到对象掩 膜图像数据， 包括： 对矢量超像素分割数据的ID进行排序， 得到超像素的序号； 将超像素按照超像素序号进行栅格化， 得到对象掩膜图像数据， 其中， 对象掩膜图像数 据中每个像素值表示该研究区域所属的超像素的序号。权　利　要　求　书 1/2 页 2 CN 114882292 A 26.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 图内关注模块使用图关注机制进行样本内的语义信息关注， 包括： 计算两两图节点间的余弦相似度； 根据余弦相似度得到相似度关注权 重； 将相似度关注权重与图节点特征进行矩阵叉乘， 得到样本内的语义信息关注结果， 其 中样本内的语义信息关注结果中聚合了同一样本中包 含的不同超像素对象的信息 。 7.如权利要求6所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 跨样本关注模块根据样本内的语义信息关注将中心样本与每一个边缘样 本进行跨样本关注， 得到超像素分类结果， 包括： 根据中心样本和边缘样本的像素交并比， 获得中心样本对象与边缘样本对象的邻 接关 注权重； 根据相似度关注权 重与邻接关注权 重得到跨样本关注权 重； 根据跨样本关注权重与图内关注模块生成的特征， 得到聚合有边缘样本信 息的中心样 本的节点特 征； 根据得到的聚合有边 缘样本信息的中心样本的节点特 征， 得到最终的节点特 征。 8.如权利要求1所述的基于跨样本关注机制图神经网络的遥感影像海洋目标识别方 法， 其特征在于， 所述方法还 包括： 利用测试集对训练好的模型进行测试。权　利　要　求　书 2/2 页 3 CN 114882292 A 3