CN114708494B 一种农村宅基地建筑识别方法及系统 （中国农业科学院农业信息研究所）

ClassificationMethodofRuralHVillageasanExample.remo本发明公开了一种农村宅基地建筑识别方遥感图像构建训练集；基于Encoder-Decoder结用融合混合时空注意力机制模块的ResNet_v2_明基于高分辨率遥感影像和深度学习相关技术2基于Encoder-Decoder结构构建MSANet网络模型；所述MSANet网络模型采用融合混合通过训练好的MSANet网络模型对待识别的遥感图像进行农村宅基地建筑识别；其中，MSANet网络模型核心思想是利用端到端的训练方式每一层特征图经过混合时空注意力机制模块后生成注意力热图，与解码阶段的特征图拼的实施过程为：将解码阶段每一层拼接后的特征图经过步数为1、输出通道数为1的机制模块包括通道注意力模块和空间注意力机识别模块，用于通过训练好的MSANet网络模型对待识别的遥感筑识别；其中，MSANet网络模型核心思想是利用端到端的训练方式每一层特征图经过混合时空注意力机制模块后生成注意力热图，与解码阶段的特征图拼3的实施过程为：将解码阶段每一层拼接后的特征图经过步数为1、输出通道数为1的机制模块包括通道注意力模块和空间注意力机4[0001]本发明涉及建筑识别技术领域，特别是涉及一种农村宅基地建筑识别方法及系[0004]本发明的目的是提供一种农村宅基地建筑识别方法及系统，基于高分辨率遥感混合时空注意力机制模块的ResNet_v2_50为backbone；所述MSANet网络模型中设立边界[0016]可选地，所述MSANet网络模型的语义提取部分和边界提取部分的损失函数均采[0017]可选地，所述混合时空注意力机制模块包括通道注意力模块和空间注意力机制5[0020]模型构建模块，用于基于Encoder-Decoder结构构建MSANet网络模型；所述MSANet网络模型采用融合混合时空注意力机制模块的ResNet_v2_50为backbone；所述[0022]识别模块，用于通过训练好的MSANet网络模型对待识别的遥感图像进行农村宅[0028]可选地，所述MSANet网络模型的语义提取部分和边界提取部分的损失函数均采[0029]可选地，所述混合时空注意力机制模块包括通道注意力模块和空间注意力机制[0031]针对当前宅基地传统调查方式的局限性，本发明基于高分辨率遥感影像和深度[0032]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中6本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其[0042]本发明的目的是提供一种农村宅基地建筑识别方法及系统，基于高分辨率遥感采用融合混合时空注意力机制模块的ResNet_v2_50为backbone；所述MSANet网络模型中设立边界提取模块。边界提取模块用于提取宅基地精细边界，用来refine宅基地提取效[0047]本发明MSANet架构采用ResNet_v2_50为backbone提取特征，并将上述的混合注MSA模块(MixedSpatiotemporalAttentionModule)嵌入到ResNet每个bottleneck的残差为含多个空洞卷积扩张率的多尺度金字塔特征提取模块，放置在编码阶段最后一层特征合ResNet_V2_50输出的底层特征和编码端输出高层特征再进行双线性插值上采样，能用实施过程为：将解码阶段每一层拼接后的特征图经过步数为1、输出通道数为1的[0049]模型采用了空洞卷积代替传统卷积方式，扩大感受野获取更多的上下文信息来解决降采样导致输出特征分辨率较小的问题，以远程连接方式将低层特征信息和高层特[0050]视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫7区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信均池化(GlobalAveragePooling)，然后经过MLP。将MLP输出的特征进行sigmoid激活操inputfeaturemap做elementwise乘法操作，生成Spatialattention模块需要的输入特[0054]通道注意力机制(ChannelAttentionModule)是将特征图在空间维度上进行压[0056]空间注意力机制如图5所示。将Channelattention模块输出的特征图作为本模个1×1卷积操作，保持维度为1个channel。再经过sigmoid生成spatialattention筑识别。8[0062]德清县同时存在山区和平原，不同的地貌有很大的类内差异，背景信息极为丰[0063]从德清县县域影像中的不同位置均匀的裁剪5幅15000×15000以上的影像用于标注过的大图随机裁剪成的850张512×512×512的小图经过多层特征采样处理得到精细化的农房边界，用边界结果改善分割图效空注意力模块生成注意力热图1，与解码阶段最后一层上采样的特征图拼接，形成具有权个6层的Bottleneck和第四个3层的Bottleneck形成特征图3和4，其中，第四个3层的9特征图之后来提取全局信息，这样既保持了细节的语义信息特征，又能获得全局的感受具体为：将解码阶段特征图1-1、2-2、3-3、4-4分别经过步数为1、输出通道数为1的习率learningrate设置以固定步长衰减的方式逐步递减，初始学习率为1e-3，之后每[0067]本发明从正负样本比例的角度出发考虑损失函数，为了均衡图像中正负样本的[0069]最终，网络训练结果在验证集上的表现如图7-8所示。评价指标mIOU达到了[0072]模型构建模块，用于基于Encoder-Decoder结构构建MSANet网络模型；所述MSANet网络模型采用融合混合时空注意力机制模块的ResNet_v2_50为backbone；所述[0074]识别模块，用于通过训练好的MSANet网络模型对待识别的遥感图像进行农村宅[0080]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其[0081]本文中