CN113298818B 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 （大连大学）_第1页
CN113298818B 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 （大连大学）_第2页
CN113298818B 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 （大连大学）_第3页
CN113298818B 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 （大连大学）_第4页
CN113298818B 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 （大连大学）_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

AU2020103901A4,2021.02.11基于注意力机制与多尺度特征的遥感图像本发明公开了一种基于注意力机制与多尺码阶段将通道注意力机制和空间维度注意力机在解码阶段进行多尺度特征融合并引入平均损失函数；能够提高对小型建筑物特征的提取能2所述编码器采用不含全连接层的恒等映射残差网络获取道注意力机制和空间维度注意力机制进行级联融合后得到的融合注意力机制添加至所述所述在中间层增设锚点特征增强的空间金字塔池化C-ASPP模所述针对最大扩张率的卷积核锚点进行特征增强为：在扩张率为9的卷积核中引入拉用拉普拉斯边缘检测算子G替换卷积核锚点及其4邻域的值，将卷积核锚点及其4邻域在解码器中使用融合层策略设置一个多尺度特征融合模2.根据权利要求1所述的基于注意力机制与多尺度特征的遥感图像建筑物分割方法，3BCE通过下式计算：4在2015年首次提出全卷积神经网络FCN(FullyConvolutionalNetworks)图像语义分割架状区域带来的锯齿状边缘，但空间信息损失严重，对图像中的细节不敏感。因此，5征的遥感图像建筑物分割方法，构建包括编码器、中间层、解码器的语义分割网络模型[0008]进一步的，所述编码器采用不含全连接层的恒等映射残差网络在编码器中对通道注意力机制和空间维度注意力机制进行级联融合后得到的融合注意力[0013]进一步的，所述在中间层增设锚点特征增强的空间金字塔池化C-A在编码器和解码器之间引入空洞空间金字塔池化层ASPP，根据特征图尺寸和感受野需求，[0019]用拉普拉斯边缘检测算子G替换卷积核锚点及其4邻域的值，将卷积核锚点及其467[0049]一种基于注意力机制与多尺度特征的遥感图像建筑物分割方法，针对传统U-Net89[0068]其中，Lsce-oia,为复合损失函数，其由二值交叉熵损失函数(BinaryCross[0072]BCELoss对类别不平衡图像中正样本像素类别特征学习困难且导致训练出的模型鲁棒性不佳，为解决此问题，本发明引入DiceLoss用于提高模型鲁棒[0076]为规避U-Net解码器使用双线性插值逐层上采样造成的信息丢失问题，特征融合扰背景和许多小目标建筑物(几十个甚至几个像素)信息丰富。通常原始遥感图像尺寸过[0090]预测阶段，利用评价指标在Inria遥感影像数据集上对最佳权重模型进行性能测[0092]为量化评价遥感图像建筑物分割性能，分别采用式(8)-(9)所示的平均交并比(meanIntersectionoverUnion,mIoU)和F1分数(F1score)作为评价指标，F1分数是计型收敛时，在平均交并比(mIou)方面，U-Net，Link-Net，D-LinkNet分别为75.16％、果均优于图11(c-e)，主要原因在于C-ASPP模尺寸建筑物提取性能明显提升。从图11(c-f)方框处对比可知，U-Net，Link-Net和D-

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论