1.一种融合富尺度特征的双分支网络遥感图像建筑语义分割方法,其特征在于,包括以下步骤:Step1:深层语义路径基于混合空洞卷积的ResNet50提取不同层次的建筑物语义特征;
Step2:将提取的深层语义特征经空间金字塔处理,获取深层特征中的多尺度信息;
Step3:浅层空间路径采用小的下采样倍数以保持图像的分辨率,主要以Res2Net模块及富尺度特征提取模块获取准确的图像空间信息;所述浅层空间路径保持大的输出特征分辨率;针对建筑物形状多样、尺度不一,以及浅层特征纹理、空间信息复杂,在浅层空间路径中,结合Res2Net设计了一种富尺度特征提取模块,通过同时增加块外、块内的感受野,提高浅层特征对分割的映射能力;所述富尺度特征提取模块由卷积、平均池化、Res2Netblock组成;首先输入的特征X分别进行3×3卷积和3×3平均池化完成2倍下采样,以获取足够的感受域;再对下采样后的特征分别进行1×1卷积、卷积核为3的Res2block、卷积核为5的Res2block;最后将不同尺度的特征级联,得到输出特征Y;顾及输入特征X的分辨率大小,并未考虑卷积核为7×7的情况;
Step4:特征融合模块,将深层特征与浅层特征自适应融合,最终获取得到有效的分割结果。
2.根据权利要求1所述的一种融合富尺度特征的双分支网络遥感图像建筑语义分割方法,其特征在于:所述Step1中深层语义特征包含了大量语义和较少位置信息,使用空间金字塔对不同区域的上下文进行聚合,对残差网络提取到的深层语义特征再进行空间金字塔处理;
混合空洞卷积计算为:
(2)
(3)
式中r为空洞率(Dilation rate),W′(x,y)为空洞卷积核,W″(x,y)为混合空洞卷积核,m∈(1,2,5,1,2,5)。
3.根据权利要求1所述的一种融合富尺度特征的双分支网络遥感图像建筑语义分割方法,其特征在于:所述Step4中特征融合模块将输入的浅层特征(X1)、深层特征(X2)先通过1×1卷积核进行降维处理,减少模型计算量,将降维后的X2进行归一化处理,得到与浅层特征图尺度相对应的权重矩阵,将其与浅层特征图相乘,完成对浅层特征中不准确信息的约束,最后将加权后的浅层特征图与深层特征图相加,得到融合后的特征X3。
4.根据权利要求3所述的一种融合富尺度特征的双分支网络遥感图像建筑语义分割方法,其特征在于:所述特征融合表达式如式(6)所示: (5)
(6)
其中,K(2,1,1,c)为1×1卷积核,c为卷积核通道数,2为实验采用的批量大小;在进行归一化优化特征参数时,考虑到实验训练批量小,采用Layer‑Normalization方式调整深层特征X2的数据分布,其归一化表达式如下: (7)
(8)
(9)
式(7‑9)中:m为一层中隐层节点个数,l为多层感知机的层数;μ为输入向量均值;σ为标准差;ε为维持参数稳定所设常量; 为输入的第i个样本值; 输入的第i个样本值对应的归一化值。