CN113850825B 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 （太原理工大学）

号WO2020240477A1,2020.12.03文.基于上下文信息和多尺度特征融合的遥感本发明公开了一种结合上下文语义和多尺本发明的效果实现了更准确的提取并生成更清2步骤一：按比例随机选取一定数量的遥感道路图像划分对训练集的遥感道路图像数据进行预处理得到增强后的遥感道路步骤2.1：以U-Net网络模型作为基础网络，将U-Net网络模型中的编码器模块替换为步骤三：将步骤一中的训练集遥感道路图像输入至步骤二中训练结束后，保存训练好的遥感图像道路分割网络步骤四：将实时的道路遥感图像输入至训练好的2.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方所述图像裁剪具体操作：将训练集的图像随机裁剪为1024*1024、分辨3.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方对遥感道路图像进行卷积核大小为7的卷积，对得到的特征图进行步长为2的最大池ResNet-34网络由多个残差块组成，残差块使用步长为2的卷积实4.根据权利要求3所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方35.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方将所有编码器的特征图通过上采样或者下采样变换为对应输出特6.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方多层次融合模块的输入数据为同层次编码器传递的特征图和解码器各层次得到的特7.根据权利要求1所述的基于上下文信息和多尺度信息融合的遥感图像道路分割方;;。4[0003]但是从高分辨率图像中提取路网也遇到部分挑战:道路像素与背景像素点数据差[0009]步骤二：搭建遥感图像道路分割网络；所述遥感图像道路分割网络中包括采用5分割网络中，模型编码器参数载入ResNet-34预训练模型参数，训练遥感图像道路分割网[0026]将所有编码器的特征图通过上采样或者下采样变换为对应输出特征图的尺寸大[0028]多层次融合模块的输入数据为同层次编码器传递的特征图和解码器各层次得到6可在实现下采样的同时最大限度地保持特征图特征。采用训练好的ResNet-34可有效地提[0041]4）本发明方法采用多层次特征融合模块结合道路标签生成时输入的不同层次特[0043]图1是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分割[0044]图2是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分割[0045]图3是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分割7[0046]图4是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分割[0047]图5是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分割[0048]图6是是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分[0049]图7是是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分[0050]图8是是本发明提供的一种基于上下文信息和多尺度特征融合的遥感图像道路分[0052]如图1所示，本发明提供一种基于上下文信息和多尺度特征融合的遥感图像道路多尺度信息融合的解码器模块以及结合通道注意力的多层次语义融合模块，搭建步骤如分割网络中，模型编码器参数载入ResNet-34预训练模型参数，训练遥感图像道路分割网8[0069]将所有编码器的特征图通过上采样或者下采样变换为对应输出特征图的尺寸大[0071]多层次融合模块的输入数据为同层次编码器传递的特征图和解码器各层次得到9[0080]本发明所采用的技术方案是一种基于上下文信息和多尺度特征融合的遥感图像强后的遥感图像；搭建结合注意力机制和上下文信息的遥感图像道路分割网络，如图1所ImageNet数据集上经过预训练的Resnet-34网络，添加上下文信息提取模块来提高对于道[0084]利用Pytorch框架搭建高分辨率图像道路提取网络。我们使用马萨诸塞道路提取模型精确度召回率交并比结合上下文语义与多尺度特征融合的遥感图像道路分割方法0.97980.81080.6537[0088]本发明公开了一种结合上下文语义和多尺度特征融合的