CN113780296B 基于多尺度信息融合的遥感图像语义分割方法及系统 （山东大学）

A,2019.03.08A,2020.05.08A,2021.01.05A,2021.08.24基于多尺度信息融合的遥感图像语义分割供了基于多尺度信息融合的遥感图像语义分割2其中，遥感图像语义分割模型包括编码器和解码器；所述编对增强高层特征信息经过两倍线性上采样以及平均池化处理所述预测器包含一个的卷积层，该卷积层能将特征通道数映对初始图像块进行随机水平、垂直翻转以及随机旋转的数据增强计算所有增强后的图像块的RGB三个通道的均值及标准差，对增强后的图像块像素值5.基于多尺度信息融合的遥感图像语义分割系统，基于如权利要求1-4所述的基于多3其中，遥感图像语义分割模型包括编码器和解码器；所述编行时实现如权利要求1-4中任一项所述的基于多尺度信息融合的遥感图像语义分割方法中4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技[0008]本发明的第一个方面提供基于多尺度信息融合的遥感图像语义分割方法，其包[0010]采用遥感图像语义分割模型对图像块进行预测，得到各像素属于各类的预测结5[0015]计算所有增强后的图像块的RGB三个通道的均值及标准差，对增强后的图像块像[0025]本发明的第二个方面提供基于多尺度信息融合的遥感图像语义分割系统，其包程序被处理器执行时实现如上述所述的基于多尺度信息融合的遥感图像语义分割方法中6[0033]本发明提供了基于多尺度信息融合的遥感图像语义分割[0035]图1是本发明实施例的基于多尺度信息融合的遥感图像语义分割方法整体流程7[0056]本发明选择以残差网络ResNet-50为骨干网络的特征金字塔网络Feature段都会融合残差网络ResNet-50对应阶段的残差特征，从而融合高阶语义信息和低阶空间[0063]注意力机制在深度学习中是一种重要的学习机制，其本质是一种特征加权的方Sigmoid函数将权重归一化至0～1之间，得到通道注意力向量Fattention，利用通道注意力8数得到归一化的空间注意力矩阵Fattention，利用空间注意力Fattention与输入特征F进行逐像[0068](1-1)通过辅助上采样网络对多尺度信息进行融合，即利用注意力机制分别对两[0070](1-3)由于残差结构能够使得网络更容易优化，将得到的双尺度融合信息与上采9的预测结果。对于两个图像块间的重叠像素点，本发明根据图像块相对于图像I的位置信[0089]此处需要说明的是，本实施例中的各个模块与实施例一理器执行时实现如上述实施例一所述的基于多尺度信息融合的遥感图像语义分割方法中介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0096]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(Random