欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022100197141
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.结合频率与边缘学习的高分遥感影像显著性目标检测方法,包括以下步骤:步骤1:制作高分遥感影像样本,人工描画目标的精确边界并标注语义类型,进行栅格化处理,生成相应的线标签样本和面标签样本,并使用数据增强方法扩充样本;

步骤2:搭建高分遥感影像显著性目标检测网络模型;

步骤2.1:选取合适的CNN网络作为backbone,其中较低层的卷积后的数据用于目标边缘特征提取模块,其他层的卷积用于显著性目标特征提取模块;

步骤2.2:在有维度下降的卷积后接入FCA注意力机制,给图像的特征赋予二维的权重,其强化了通道信息以及遥感影像的频率信息,其中步骤2.3:目标边缘特征提取模块与显著性目标特征提取模块均是经过三次卷积加激活函数组合的操作,且从最下层的显著性目标特征提取模块开始,均将数据传递给上一层,用于强化上一层的特征信息,且最下层的特征信息经过一次步骤2.2后传给边缘特征提取模块,强化该模块的特征信息;

步骤2.4:目标边缘特征提取模块与显著性目标特征提取模块每一层再经过一次卷积加激活函数的组合操作后获取预测图像,使用线标签样本计算各层中的边缘损失之和lossedge,其中其中,n为CNN层数;

步骤2.5:目标边缘特征提取模块与显著性目标特征提取模块重复步骤2.2后接入边缘融合模块进行一对一融合,卷积后获取各层的预测图像,使用面标签计算语义分割的损失losssal;

步骤2.6:将边缘融合模块中的每一层经过三次卷积加激活函数的组合操作扩大视野后再经过一次卷积加激活函数的组合操作获取预测图像;将步骤2.5中各层特征进行融合,并计算总损失loss=lossedge+losssal                   (3)步骤3:利用步骤1中的样本训练该网络模型至拟合状态;

步骤4:通过该网络模型获取预测图像。

2.如权利要求1所述的结合频率与边缘学习的高分遥感影像显著性目标检测方法,其特征在于:步骤1具体包括:(1-1)准备高分遥感影像:确定显著性区域,采用ArcGIS软件对地物目标的边缘进行人工标注,严格遵循真实目标边界绘制,并赋予地物目标语义类型属性值,其中显著区域标注为1,其他区域标注为0,得到对应的矢量文件和原图,将矢量文件栅格化为面标签和线标签;

(1-2)对数据进行扩充:对步骤(1-1)所得图进行镜像、旋转和裁剪的数据增强操作,扩充面标签与线标签样本。

3.如权利要求1所述的结合频率与边缘学习的高分遥感影像显著性目标检测方法,其特征在于:步骤3具体包括:(3-1)初始化权重,设置模型的超参数:卷层的权重均使用截断法线σ=0.01随机初始化,并且偏差初始化为0;超参数的设置如下:learning rate=5e-5,weight decay=0.0005,momentum=0.9,每侧输出的损失权重等于1,使用Adam优化器对网络梯度进行更新;

(3-2)将数据源设置为准备好的数据源,训练网络模型至拟合状态,获取最终的网络模型参数。