基于深度学习的特征融合型永久散射体识别技术

本发明公开了一种基于深度学习的特征融合型永久散射体识别技术；首先构建残差注意力U型网络提取SAR图像空间特征，构建C‑LSTM网络提取差分干涉相位时序特征；接着构建特征融合模块耦合空间特征与时序特征并构建预测模块输出双通道永久散射体识别结果；最后通过通道最大值筛选获取单通道永久散射体识别结果，进而利用图像块拼接与地理编码技术得到研究区域内永久散射体的空间分布。本发明采用了数据驱动模式，通过网络训练可实现永久散射体的快速识别；本发明提供的永久散射体识别技术采用焦点损失与残点损失加权求和的混合损失，解决正负难易样本不平衡并实现对识别结果作用于下游任务的有效性评估；本发明利用构建的特征融合型网络与混合损失进行永久散射体识别，可以在识别较多永久散射体数量的同时保持较少的残点数，使识别结果作用于下游任务时具有较大的可能性可以获得准确的地表形变结果。