CN115049936B 一种面向高分遥感影像的边界增强型语义分割方法 （深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心)）

US2021201023A1,2021.杨运龙等.一种双路网络语义分割模型.63-70页.杨运龙等.一种双路网络语义分割模型.一种面向高分遥感影像的边界增强型语义开一种面向高分遥感影像的边界增强型语义分建面向高分遥感影像语义分割的边界增强型双合空洞卷积模块的语义分割分流网络与边缘检2HoinJung等.BoundaryEnhanceSemanticSegmentationTransactionsonGeosc3其中p,为高分遥感影像位置(i,j)处的像素值，max(p,)与min(p.,)分别为影像中类颜色与类序号之间的映射关系，然后按照该映射关系将RGB三通道地物类别标注数据转步骤4，利用上述训练数据集对所述面向高分遥感影像语义分割的边界增强型双流网步骤5，利用步骤4所获语义分割模型对测试样本集中的高分遥感影像进行推理预测，2.根据权利要求1所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征4n2-1步骤3.1.3，搭建分类模块：所述分类模块包括连续的通道数为k的1×1卷积层与3.根据权利要求2所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征所述多尺度特征提取模块由四个平行的卷积块构成：第一个卷单元；其余三个卷积块包括依次连接的1×1卷积单元和Ki×Ki卷积单元所述1M,=max[M-2r,M1-2(M-ri),r]4.根据权利要求2所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征5MS输入边界分类模块，所述边界分类模块包括连续的通道数5.根据权利要求2所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征过多级信息融合模块将同分辨率的语义分割编码特征与边缘检测特征引入语义分割解码首先，在解码端将具有相同空间分辨率的语义分割分流网络编码层特征FS.neR"以及边缘检测分流网络解码层特征进行通道维度拼接，得到初步融合特征F,eR"的"，C-2XC+CZ；然后将初步融合特征FM分别在空间维度上进行全局最大池化和全局平均池化，获得两个空间上下文特征描述符FimeR"与；然后将FMax与FAvg输入连续的两层共享感知机和sigmoid激活函数层，通过学习获得通道注意力特征'注意力校正特征F，实现两特征之间的像素相加，获得最终的多级信息融合特征6.根据权利要求1所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征其中LSS与LED分别为语义分割分流与边缘检测分流的损失函数，为损失函数调节因:"为像素n对应于第c类的独热码值，p:"缘检测分流将像素n预测为边界的softmax概率，E+为边界像素总数，E-为非边界像素总67.根据权利要求6所述的一种面向高分遥感影像的边界增强型语义分割方法，其特征步骤4.3.2，计算梯度的一阶矩估计mt与二阶矩估计vt：m,=Am-1+(1-A)8,，步骤4.3.3，对梯度的一阶矩估计mt与二阶矩估计vt进行偏置修正，得到而,与可：8.根据权利要求1所述一种面向高分遥感影像的边界增强型语义分割方法，其特征在步骤5.2，利用步骤4所获语义分割模型对步骤5.1处理后的高分遥感影像进行重叠推softmax概率输出结果R；然后将R中每个像素概率最大值对应的地物类别标签作为其语义义分割结果；7编解码语义分割网络UNet与SegNet、特征金字塔网络(FPN)、金字塔场景解析网络网络中池化等下采样策略在增大感受野、集成上下文语境信息的同时会降低特征分辨率、型语义分割方法，通过在同一深度学习框架下耦合语义分割分流网络与边缘检测分流网8[0012]步骤4，利用上述训练数据集对所述面向高分遥感影像语义分割的边界增强型双地物类颜色与类序号之间的映射关系，然后按照该映射关系将RGB三通道地物类别标注数[0020]辅助判断其是否属于边界像素，pr,与其四邻域像素全部相等，则pr,不是边界像素；9[0027]其中an对应于所述1×1卷积层输出结果的第n维值，k为上述语义分割地物类别n为第n类地物的预测概率。括一个1×1卷积单元；其余三个卷积块包括依次连接的1×1卷积单元和Ki×Ki卷积单元，ie1,2,3；所述1×1卷积单元包括连续的1×1卷积层、批归一化层和线性i示卷积层的卷积核大小；FE5；[0040]首先，在解码端将具有相同空间分辨率的语义分割分流网络编码层特征F,eR"""，C=2xci+CZ；然后将融合特征FM分别在空间维度上进行全局FsgeR"；然后将FMax与FAvg输入连续的两层共享感知机和sigmoid激活函数层，通过学习获得通道注意力特征；然后将通道注意力特征FAtt与初步融合特'[0043]步骤4.2，根据地物类别标[0045]其中LSS与LED分别为语义分割分流与边缘检测分流的损失函数，为损失函数调SS与LED的具体定义如下：为像素n对应于第c类的独热码值，p:"为m,=Bm,-1+(1-A)g,，v,=BV.+(1-B)g,'，其中β1与β2分别割分流网络的softmax概率输出结果R；然后将R中每个像素概率最大值对应的地物类别标整张影像的语义分割结果；[0061](1)本发明针对高分辨率遥感影像语义分割任务，提出一种边界增强型双流网络用语义分割分流网络与边缘检测分流网络编码层特征共享复用策略，实现特征间的强耦[0062](2)本发明通过构建多尺度特征提取模块与混合空洞卷积模块，丰富网络的多尺[0075]其中p,为高分遥感影像位置(i,j)处的像素值，max(p,)与min(p,)分别地物类颜色与类序号之间的映射关系，然后按照该映射关系将RGB三通道地物类别标注数辅助判断其是否属于边界像素，所遵循规则地，首先，受GPU限制，高分遥感影像太大而无法直接输入网络，故利用固定大小为[0089]其中an对应于所述1×1卷积层输出结果的第n维值，k为上述语义分割地物类别n为第n类地物的预测概率。以及边缘检测分流网络解码层特征进行通道维r,eR"""，C-2x分别在空间维度上进行全局最大池化和全局平均池化，获得两个空间上下文特征描述符 Max与FAvg输入连续的两层共享感知意力特征FAtt与初步融合特征FM进行逐像素相乘，实现权重分配，得到注意力校正特征[0100]步骤4，利用训练数据集对所述面向高分遥感影像语义分割的边界增强型双流网[0103]步骤4.2，根据地物类别标