一种基于通道-空间注意力与Mamba网络的遥感图像字幕生成方法和装置

本申请提供了一种基于通道‑空间注意力与Mamba网络的遥感图像字幕生成方法和装置，涉及遥感图像处理领域。该方法包括：将遥感图像输入预训练的卷积神经网络，并根据预训练的卷积神经网络输出第一图像特征；将第一图像特征输入至第一模块，并基于第一模块输出第二图像特征；将第二图像特征输入至第二模块，并基于第二模块输出第三图像特征；基于第二图像特征提取全局图像特征，并基于文本特征提取全局文本特征；基于全局图像特征和全局文本特征，结合位置编码和掩码机制，生成图像字幕文本。本申请解决了传统方法在图像内容具有显著结构多样性、语义分布不均或存在局部区域噪声干扰时，生成的遥感图像字幕容易出现表达不准确、语义缺失或冗余描述的问题。