CN119495004A 基于压缩金字塔门控单元的多尺度特征融合的遥感图像水体提取方法 （重庆邮电大学）

号基于压缩金字塔门控单元的多尺度特征融本发明涉及一种基于压缩金字塔门控单元据集，数据集进行预处理后对其进行数据集划Transformer编码器从图像中提取多个尺度的特各个尺度的特征进行权重相乘得到最终多尺度的水体的提取能力以及对水体信息和非水体信2S4、将多个尺度的特征信息进行融合，并将融合2.根据权利要求1所述的一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像3.根据权利要求1所述的一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像每个阶段包括一个CNN层和一个Transformer层；每个阶段通过将输入特征先输入到每个Transformer层包括一个W_MSABlock和一个SW_MSABlock；W_MSABlock包括两4.根据权利要求1所述的一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像核，将每个阶段的特征图分别输入到具有不同大小卷积核的卷积中得到不同尺度的特征xk＝1,3,5,7k＝1,3,5,7k＝1,3,5,7]35.根据权利要求4所述的一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像y123按通道维度级联融合获得包含多尺度信息y]]W与融合特征xk逐元素相乘得到最终多尺度自适应感受野选择结果特征图Fou6.根据权利要求5所述的一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像i4全卷积网络(FCN)的引入首次将全卷积网络结构应用于水体提取领域，这激发了众多研究5权重相乘得到最终多尺度自适应感受野选择结果特征[0015]进一步，在步骤S2中，CNN混合Transformer编码器中至少设置三个CNN和为原始图像{1/4，1/8,1/16}的三个特征图，其中每个阶段的特征图通道数C1～C3分别为[0017]每个Transformer层包括一个W_MSABlock和一个SW_MSABlock；W_MSABlock包k＝1,3,5,7k＝1,3,5,7]y13按通道维度级联融合获得包含多尺度信息的特征图][0033]将特征图yk输入至压缩金字塔门控单元模块，经过三个6][0045]FL和FA之间进行矩阵乘法，然后进行重塑操作，得到通道注意权重向量Amap∈RC：[0056]本发明采用CNN和Transformer方法相结合的提取全局以及局部上下文信息的编7[0067]本实施例给出一种基于压缩金字塔门控单元的多尺度特征融合的遥感图像水体权重相乘得到最终多尺度自适应感受野选择结果特征8[0075]具体的，将Kaggle水体数据集原始的5000×5000大小的图像使用步幅为128的滑界可能与周围环境复杂交错，局部特征不足以准确识别。更让人感到兴奋的是，在能够加强对于水体边界信息的识别并且提升了模型的准确[0077]具体而言，本实施例中的CNN混合Transformer编码器中至少设置三个CNN和Transformer网络，从三个阶段提取三个尺度的特征图，每个阶段包括一个CNN层和一个[0078]每个阶段通过将输入特征先输入到Transformer层提取全局特征，然后再输入到[0079]每个TransformerBlock包括一个W_MSABlock和一个SW_MSABlock；W_MSA[0081]上述过程中将图像块输入到CNN混合Transformer编码器中，依次通过每个阶段水体提取领域中，对于细小水体的提取和背景噪声的干扰始终是该领域中令人苦恼的问9123按通道维度进行级联融合得k＝1,3,5,7k＝1,3,5,7k＝1,3,5,7]三个尺度特征通过压缩金字塔门控单元所生y123按通道维度级联融合获得具有丰富的多尺]择卷积分别得到三个自适应感受野的三个特征z1，z2，z3并将它们拼接到一起得到特征图]mapmapW与步骤S3中获得的融合特征xk逐元素相乘得到最终多尺度自适应感