CN119091293B 一種海島礁地形地貌識別分類方法、系統及存儲介質 （中國地質大學（武漢））

本發(fā)明提供一種海島礁地形地貌識別分類貌識別分類模型的輸出得到海島礁研究區(qū)的地設水深數據和預設遙感數據對初始分類模型進2將所述水深數據和所述遙感數據輸入地形地貌識別分類模型，根據所述地分類模型的輸出得到所述海島礁研究區(qū)的地其中，通過對比學習利用預設水深數據和預設遙感數據對初始分類模型進行預訓練，包括：利用SwinTransformer網絡對所述預設水深數據和所述預設遙感數據進行特征提述遙感數據的影像特征映射為對應的規(guī)范化低根據所述水深特征和所述遙感數據的影像特征對應的所述規(guī)范化通過所述影像水深相似度和所述水深影像相似度對所述初始分類模型進行預訓練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓將所述增強后的遙感數據輸入所述水深反演模型，通過所述水深反將所述影像特征輸入所述水深反演模型的池化層進行特征降維，將所述降維后的影像特征輸入所述水深反演模型的全連接層進行線性回歸將所述水深數據和所述遙感數據輸入所述地形地貌識別分類模型，將所述圖像塊輸入所述地形地貌識別分類模型的圖像處理結構得到遙感數據的影像理子結構的輸出數據作為所述遙感數據的影像特征和所述3對所述遙感數據的影像特征和所述水深特征進行特征融合，得到先應用六個SwinTransformer模塊對所述遙感數據的影像特征和所述水深特征進行將所述融合特征輸入MSTUpnet網絡模型的解碼器，通過所述解碼預測單元，用于通過水深反演模型利用所述遙感數據進行預測，分類單元，用于將所述水深數據和所述遙感數據輸入地形述地形地貌識別分類模型的輸出得到所述海島礁研究區(qū)的地形地貌的分其中，通過對比學習利用預設水深數據和預設遙感數據對初始分類模型進行預訓練，包括：利用SwinTransformer網絡對所述預設水深數據和所述預設遙感數據進行特征提述遙感數據的影像特征映射為對應的規(guī)范化低根據所述水深特征和預設影像特征對應的所述規(guī)范化低維度表示通過所述影像水深相似度和所述水深影像相似度對所述初始分類模型進行預訓練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓4識別分類模型的輸出得到所述海島礁研究區(qū)的地形地練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓[0014]將所述降維后的影像特征輸入所述水深反演模型的全連5[0017]將所述圖像塊輸入所述地形地貌識別分類模型的圖像處理結構得到遙感數據特子結構的輸出數據作為所述遙感數據特征和所述[0023]先應用六個SwinTransformer模塊對所述遙感數據特征和所述水深特征進行特[0028]利用SwinTransformer網絡對所述預設水深數據和所述預設遙感數據進行特征標簽和所述水深影像相似度的概率分布與水深影像真實相似度標簽計算對應的損失值，6據所述地形地貌識別分類模型的輸出得到所述海島礁研究區(qū)的地形練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓7積層和池化層)和輸出層。輸入層輸入為遙感數據的像素值，卷積層用于提取遙感數據特識別分類模型的輸出得到所述海島礁研究區(qū)的地形地練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓貌的識別精度的同時利用對比學習來進行預訓練從而不需要大量的海島礁地形地貌數據。中所用到的數據是遙感數據中的遙感影像數據，在整個流程中所用到的除了遙感影像數感影像數據和光子計數激光雷達數據，顯著提高了對海島礁地形地貌的識別精度和可靠8海島礁地形地貌的識別精度的同時利用對比學習進行預訓練從而不需要大量的海島礁地[0062]將所述降維后的影像特征輸入所述水深反演模型的全連獲取水深數據，其中結合圖2中SwinTransformer網絡結構所示，該網絡模型是Multi_由具備下采樣功能的圖像塊合并層和重復堆疊的SwinTransformer模塊組成。結合圖3所9[0068]將所述圖像塊輸入所述地形地貌識別分類模型的圖像處理結構得到遙感數據特子結構的輸出數據作為所述遙感數據特征和所述一個圖像處理子結構輸出的數據被用作最終的遙感數據特征Transformer網絡結構圖，在本實施例中，首先將圖片輸入到圖像分割層(可以為PatchPatchPartition和LinearEmbedding就是直接通過一個卷積層實現的。然后通過四個Block，注意這里的Block其實有兩種結構，最后對于分類網絡，后面還會接上一個Layer變成56*56*96(swintransformerblock塊不改變圖片大小)；這里的patchpartition操的優(yōu)選實施例中，有兩個連續(xù)的SwinTransformerBlock,一個SwinTransformerBlock由一個帶兩層MLP的shiftedwindowbasedMSA組成。在每個MSA模塊和每個MLP之前使用Transformer網絡模型作為編碼器，并將STAGE4的SwinTransformer模塊輸出特征作為最使用CrossEntropyLoss和DiceLoss按權重加權計算得到。CrossEntropyLoss用于度[0082]先應用六個SwinTransformer模塊對所述遙感數據特征和所述水深特征進行特度的語義信息，從而提高模型的性能和泛化能力。結合圖5所示的MSTUpnet網絡結構圖，[0085]Transformer模塊進行特征融合，再經過金字塔池化模塊有利于進一步提取多尺一問題，在MSTUpnet網絡模型中使用到的損失函數由CrossEntropyLoss和DiceLoss按用CrossEntropyLoss時根據標簽的不同種類賦予了不同權重；DiceLoss用于評估真實[0097]利用SwinTransformer網絡對所述預設水深數據和所述預設遙感數據進行特征發(fā)明的預訓練網絡的結構示意圖，預訓練網絡采用SwinTransformer網絡模型作為編碼；；標簽和所述水深影像相似度的概率分布與水深影像真實相似度標簽計算對應的損失值，"()表示影像水深相似度進行Softmax歸一化結果，p"(D)表示水深pi2d(I)為預測的影像水深相似度的據所述地形地貌識別分類模型的輸出得到所述海島礁研究區(qū)的地形練，根據所述預設水深數據和所述預設遙感數據對預訓練后的所述初始分類模型進行訓海島礁地形地貌的識別精度的同時利用對比學習進行預訓練從而不需要大量的海島礁地感數據進行預訓練，通過預訓練有效挖掘預設水深數據和預設遙感數據中的自監(jiān)督信息，地形地貌