1.一种基于双空间注意力机制的高分辨率遥感影像道路提取方法,其特征在于,包括以下步骤:步骤S1:数据集预处理;
步骤S2:构建双空间注意力道路提取网络;
步骤S3:训练网络;
步骤S4:预测测试集;
所述步骤S1包括以下步骤:
步骤1.1:采用类别比率裁剪的方式,分别将马萨诸塞州道路数据集、LSRV数据集中的大影像,裁剪为多个224×224pixels、512×512pixels大小的子影像块;
步骤1.2:将裁剪后的数据集按照9:1的比例,划分训练集和测试集;
所述步骤S2包括以下步骤:
步骤2.1:使用U-Net网络作为基本网络,编码器部分选用ResNet-34,对其第一个构建块进行改进,首先使用一个卷积核尺寸为1×1的卷积层,依靠1×1卷积核特征升维的作用,将特征通道数量增加到后续所需的通道数量,然后将特征依次通过三个卷积核为3×3、步长为1的卷积层;其次,将整个网络设计为一个非对称的结构;
步骤2.2:在第一个编码器模块后加入解耦Non-local模块,作为全局注意模块捕获远距离上下文信息;
步骤2.3:在编码器结束的部分加入局部细化模块,对步骤2.2之前获得的特征映射使用并行的不同尺度的卷积核,进一步细化远距离上下文信息,微调信息的传递,当特征输入进该模块后,分别执行padding=1和padding=2的镜像填充,获得一对并行的、边缘经过填充的特征映射,然后采用1×1卷积将通道数从C缩减到C/4,接下来,对并行的特征映射执行卷积操作,卷积核分别为3×3、5×5,再分别应用1×1卷积,将特征映射通道数增加到C;使用element-wise乘积融合两个路径的信息,并使用Sigmoid激活函数获得细化的权重;最后将局部细节权重与输入特征相乘以获得细化的特征映射;
步骤2.4:在解码器的第一个解码器模块后加入解耦Non-local模块。
2.如权利要求1所述的基于双空间注意力机制的高分辨率遥感影像道路提取方法,其特征在于,所述步骤S3包括以下步骤:步骤3.1:环境设置,采用windows下的Pytorch深度学习框架,编译器为pycharm;
步骤3.2:参数设定。
3.如权利要求2所述的基于双空间注意力机制的高分辨率遥感影像道路提取方法,其特征在于,在所述步骤S3.2中,选用自适应矩估计优化器,选用二值交叉熵损失作为损失函数。