CN113807210B 一种基于金字塔切分注意力模块的遥感图像语义分割方法 （西安理工大学）

AU2020103901A4,2021.02.11US2021089807A1,2021.03.25一种基于金字塔切分注意力模块的遥感图本发明公开了一种基于金字塔切分注意力佳波段指数OIF选择适合遥感地物分类的最佳波然后搭建基于金字塔切分注意力模块的遥感图分辨率遥感影像送入带有最优参数的遥感图像时提高对高分辨率遥感图像语义分割的分割精2王学文;赵庆展;韩峰;马永建;龙翔;江萍.取中的应用.地球信息科学学报.2020,(第083类别语义分割数据集按照9:1划分为训练集和测试集，并将训练集和测试集采用基于最佳波段指数OIF选择适合遥感地物分类的最佳波段组合，并将选择后的波段组合作为输入数所述步骤2采用编码器-解码器结构搭建基于金字塔切分注意力模块的遥感图像语义主干网络：采用移除最后一层全连接层的Resnet-101进行遥感图像高维特征提取，解码器对深层特征图output_Y1采用双线性插值进行4倍上采样后与深层特征图所述步骤2中特征增强网络中的空洞空间金字塔池化ASPP分别由1个1×1卷积、3个空所述步骤2中的特征增强网络和多级特征融合网络中PSA4(2)利用通道注意力模块提取不同尺度特征图的通道注意力向量，再通过串联方式得特征图Out为经过PSA模块得到的多尺所述特征增强网络具体为：使用PSA模块将输入的特征图L4将特征图output_X1和output_X2进行特征融合，融合步骤3、将步骤1中的遥感图像多类别语义分割数据集送入所述步骤2中的遥感图像语步骤4、对待识别的高分辨率遥感影像采用256×256大小的滑动窗口无重叠的进行读52.根据权利要求1所述的一种基于金字塔切分注意力模块的遥感图像语义分割方法，增广，使得各个类别的图像数据都处在同一数量级；按照9:1的比例划分为训练集和测试3.根据权利要求2所述的一种基于金字塔切分注意力模块的遥感图像语义分割方法，4.根据权利要求1所述的一种基于金字塔切分注意力模块的遥感图像语义分割方法，采用的优化函数是带动量的随机梯度下降法SGD，遥感图像语义分割模型的初始学习6等方面都对遥感图像的分割提取有极大的需求。从遥感图像中自动进行类别提取和分割，[0005]本发明的目的是提供一种基于金字塔切分注意力模块的遥感图像多类别语义分割数据集按照9:1划分为训练集和测试集，并将训练集和测试集采用基于最佳波段指数OIF选择适合遥感地物分类的最佳波段组合，并将选择后的波段组合作为输[0009]步骤3、将步骤1中的遥感图像多类别语义分割数据集送入所述步骤2中的遥感图[0010]步骤4、对待识别的高分辨率遥感影像采用256×256大小的滑动窗口无重叠的进7[0016]步骤2采用编码器-解码器结构搭建基于金字塔切分注意力模块的遥感图像语义[0017]主干网络：采用移除最后一层全连接层的Resnet-101进行遥感图像高维特征提[0020]解码器对深层特征图output_Y1采用双线性插值进行4倍上采样后与深层特征图[0022]步骤2中特征增强网络中的空洞空间金字塔池化ASPP分别由1个1×1卷积、3个空8组大小a,-兴Fi∈RC×H×W表示不同尺度的特征图；[0030](2)利用通道注意力模块提取不同尺度特征图的通道注意力向量，再通过串联方[0035](3)利用Softmax激活函数对不同尺度上的通道注意力向量Zi进行特征重新标定，特征重新标定后的注意力权重以串联的方式进行融和，得到整个多尺度通道注意力权重得到一个不同尺度特征信息注意力加权之后的特征图Yi；最后在将加权后的特征图Yi进行[0046]步骤2中的特征增强网络使用PSA模块将输入的特征图L4从通道上切分为4组，设9[0049]解码器首先对深层特征图output_Y1采用双线性插值进行二倍上采样，恢复至原卷积重新定义遥感图像的高维特征，最后再次采用双线性插值进行上采样恢复至原图尺[0052]采用的优化函数是带动量的随机梯度下降法SGD，遥感图像语义分割模型的初始提出了一种引入金字塔切分注意力模块的特征增强网络用来增强特征信息，PSA模块能有[0054]图1是本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法的整体流[0055]图2是本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法的总体神[0056]图3是本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法中引入金[0057]图4是本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法的多级特[0058]图5是本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法中所涉及[0060]本发明一种基于金字塔切分注意力模块的遥感图像语义分割方法，流程图如图1像多类别语义分割数据集按照9:1划分为训练集和测试集，并将训练集和测试集采用基于最佳波段指数OIF选择适合遥感地物分类的最佳波段组合，并将选择后的波段组合作为输[0066]结合图2～图5，步骤2、搭建基于金字塔切分注意力模块的遥感图像语义分割模[0067]步骤2采用编码器-解码器结构搭建基于金字塔切分注意力模块的遥感图像语义[0068]主干网络：采用移除最后一层全连接层的Resnet-101进行遥感图像高维特征提网络如附图3所示，特征增强网络在主干网络输出的特征图L4后引入空洞空间金字塔池化切分注意力PSA(PyramidSplitAttention)模块进行特征增强，PSA模块能有效地提取粒[0071]解码器对深层特征图output_Y1采用双线性插值进行4倍上采样后与深层特征图[0073]步骤2中特征增强网络中的空洞空间金字塔池化ASPP分别由1个1×1卷积、3个空[0074]步骤2中的特征增强网络和多级特征融合网络中PSA模块的网络结构图如附图5所[0086](3)利用Softmax激活函数对不同尺度上的通道注意力向量Zi进行特征重新标定，特征重新标定后的注意力权重以串联的方式进行融和，得到整个多尺度通道注意力权重得到一个不同尺度特征信息注意力加权之后的特征图Yi；最后在将加权后的特征图Yi进行[0100]解码器首先对深层特征图output_Y1采用双线性插值进行二倍上采样，恢复至原卷积重新定义遥感图像的高维特征，最后再次采用双线性插值进行上采样恢复至原图尺[0101]步骤3、将步骤1中的遥感图像多类别语义分割数据集送入所述步骤2中的遥感图法SGD，遥感图像语义分割模型的初始学习率定为0.01，采用poly学习率调度(learning[0105]步骤4、对待识别