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: 2022104777288
申请人: 河海大学
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.基于自适应多尺度特征金字塔网络的遥感图像语义分割方法,其特征在于,所述方法包括如下步骤:(1)构建多分类遥感图像数据集,并制作相应的样本标注,将每类遥感图像按比例划分为训练集Train和测试集Test;

(2)构建自适应多尺度特征金字塔网络,使用遥感图像数据训练集对基于自适应多尺度特征金字塔网络进行训练;

(3)设定训练参数,构建损失函数,使用训练集对所构建的基于自适应多尺度特征金字塔网络进行训练,更新网络参数,直到参数取值收敛;收敛条件为损失函数值不再减小;

(4)将测试集输入到训练好的网络中得到测试集的语义分割结果图;

步骤(2)中的,构建自适应多尺度特征金字塔网络的方法如下:

(2.1)首先搭建基于ResNet50的卷积神经网络,并去掉其中的全连接层;将ResNet50中除第一阶段外各阶段末的卷积层输出作为金字塔网络的输入特征,共四组分别设为C2、C3、C4、C5;

(2.2)将步骤(2.1)得到的四组特征C2、C3、C4、C5送入金字塔网络;经过金字塔网络的特征融合,分别得到不同尺寸大小的特征图,记为P2、P3、P4、P5;

所述步骤(2.2)经过金字塔网络的特征融合,分别得到不同尺寸大小的特征图,记为P2、P3、P4、P5,具体如下:(2.2.1)将特征C5经过1×1卷积进行通道降维,得到特征P5,具体为:P5=δ(G1×1conv(C5))

其中δ(·)代表线性整流函数,G1×1conv(·)代表1×1大小的卷积操作;

(2.2.2)将特征P5进行2倍上采样,并与经过1×1卷积降维后的特征C4进行融合,得到特征P4,具体为:其中代表逐元素相加,Up2×(·)代表2倍上采样;

(2.2.3)将特征P4进行2倍上采样,并与经过1×1卷积降维后的特征C3进行融合,得到特征P3,具体为:(2.2.4)将特征P3进行2倍上采样,并与经过1×1卷积降维后的特征C2进行融合,得到特征P2,具体为:(2.3)将步骤(2.2)得到的四组特征P2、P3、P4、P5作为编码器的输出,传入解码器;

(2.4)将特征P5送入解码器中的空洞空间卷积池化金字塔部分以构建多尺度特征,得到特征U5,具体为:其中代表特征在通道维度上进行堆叠,代表空洞率为1的3×3卷积操作,代表空洞率为3的3×3卷积操作,代表空洞率为5的3×3卷积操作,G2×2pool(·)代表2×2大小的平均池化操作;

(2.5)将特征P2、P3、P4分别传入可切换型空洞卷积进行处理;

进一步地讲,所述步骤(2.5)将特征P2、P3、P4分别传入可切换型空洞卷积进行处理,得到四组处理后的特征图,分别记为P2″、P3″、P4″,具体如下:(2.5.1)将特征P2进行全局平均池化,再通过1×1卷积,接着与原特征进行融合,得到特征P2′;具体为:其中GGAP(·)代表全局平均池化;

然后该特征进行可切换型空洞卷积进行处理,得到输出特征P2″;具体为:α(P2′)=δ(G1×1conv(GGAP(P2′)))

(2.5.2)将特征P3进行全局平均池化,再通过1×1卷积,接着与原特征进行融合,得到特征P3′;具体为:然后该特征进行可切换型空洞卷积进行处理,得到输出特征P3″;具体为:α(P3′)=δ(G1×1conv(GGAP(P3′)))

(2.5.3)将特征P4进行全局平均池化,再通过1×1卷积,接着与原特征进行融合,得到特征P4′;具体为:然后该特征进行可切换型空洞卷积进行处理,得到输出特征P4″;具体为:α(P4′)=δ(G1×1conv(GGAP(P4′)))

(2.6)将特征U5进行2倍上采样并与经过可切换型空洞卷积处理后的特征P4″进行融合,再经过3×3卷积得到特征U4,具体为:其中,G3×3conv(·)代表3×3卷积操作,Up2×(·)代表2倍上采样操作;

(2.7)将特征U4进行2倍上采样并与经过可切换型空洞卷积处理后的特征P3进行融合,再经过3×3卷积得到特征U3,具体为:(2.8)将特征U3进行2倍上采样并与经过可切换型空洞卷积处理后的特征P2进行融合,再经过3×3卷积得到特征U2,具体为:(2.9)将特征U2进一步进行4倍上采样,然后进行1×1卷积,得到输出的分割结果图O,具体为:O=Softmax(G1×1conv(Up4×(U2)))

其中,Up4×(·)代表4倍上采样过程,Softmax(·)代表softmax激活函数。

2.根据权利要求1所述的基于自适应多尺度特征金字塔网络的遥感图像语义分割方法,步骤(1)种的划分训练集和测试集的方法如下:(1.1)划分遥感图像语义分割数据集Image=[Image1,…,Imagei,…,ImageN],并制作相应的样本标签数据集Label=[Label1,…,Labeli,…,LabelN],其中N表示遥感图像的总样本数,Imagei表示第i张遥感图像,Labeli表示第i张遥感图像所对应的标签;

(1.2)将遥感图像数据集分为训练集和测试集,针对数据集中的遥感图像,从其中随机抽取M张图像构建训练集,剩余N-M张遥感图像构建测试集,则在训练集中有:TrainImage=[TrainImage1,…,TrainImagei,…,TrainImageM],TrainLabel=[TrainLabel1,…,TrainLabeli,…,TrainLabelM],在测试集中有TestImage=[TestImage1,…,TestImagei,…,TestImageN-M],TestLabel=[TestLabel1,…,TestLabeli,…,TestLabelN-M];其中,TrainImagei表示用于训练的第i张遥感图像,TrainLabeli表示用于训练的第i张遥感图像所对应的标签,TestImagei表示用于测试的第i张遥感图像,TestLabeli表示用于测试的第i张遥感图像所对应的标签。