1.一种融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,包括下列步骤:基于膨胀残差协同注意力神经网络,以编码器解码器体系结构作为基础网络模型;
基于膨胀残差协同注意力神经网络,以编码器解码器体系结构作为基础网络模型的过程,具体为搭建高分影像道路提取网络MAG-Unet,编码器部分采用改进膨胀ResNet101,第一层部分使用卷积替换最大池化,前三个残差结构与ResNet101保持一致,在每一个残差块的第一个3*3卷积后加入协同注意力分支,在第四次下采样的卷积过程中,将膨胀系数改成2,输出特征图的尺寸和上一层保持一致;
在编码器-解码器中间添加空洞空间卷积池化金字塔;
预处理输入数据,结合空洞卷积模块,提取高维的道路特征信息;
结合空洞卷积模块,具体为在最后一层输入空洞空间卷积池化金字塔,分别输入一个1*1卷积和三个3*3卷积,分别采用 1,2,4,8扩张率的卷积,将经过不同扩张率四层特征图进行拼接输入到卷积核为1的卷积中,进行通道调整;
在U型结构的跳跃连接部分使用轻量自注意力模块,捕获特征信息的长距离依赖关系;
所述轻量自注意力模块有三个分支Q,K,V,不同于自注意力的Q直接与K转置直接相乘,先使用步长为,卷积核为的深度可分离卷积来减少注意力操作之前K和V的空间大小,;
对应的轻量级Attention定义为:;
加入面向通道的交叉注意力模块,训练模型至收敛;
加入面向通道的交叉注意力模块的过程,具体为解码网络通过线性插值上采样操作逐步恢复原始图像尺寸,每层上采样模块最后加入面向通道的交叉注意力模块,面向通道的交叉注意力模块对采样过后的特征和经过跳跃连接的特征使用平均池化操作消除自注意力机制模块与解码器特征的歧义,利用线性操作帮助上采样层有效恢复道路目标细节信息;
利用训练得到的权重,对未标注影像进行道路预测。
2.如权利要求1所述的融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,预处理输入数据的过程,包括裁剪和数据增强,其中采用尺寸为256的滑动窗口裁剪影像,数据增强包括上下左右翻转,随机旋转以及尺度缩放,然后以256*256*3的样式输入网络。
3.如权利要求2所述的融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,预处理输入数据划分训练集和验证集,其中验证集用于对卷积神经网络的训练分割准确度进行验证,训练集用于对卷积神经网络的训练进行参数调整,训练集和验证集的比例为8:2。
4.如权利要求1所述的融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,在训练模型至收敛的过程中,通过训练损失与验证损失确定网络是否达到收敛,收敛则停止训练,获得训练后的MAG-Unet分割模型,将测试集输入至训练后的MAG-Unet分割模型,输出分割结果。
5.如权利要求1所述的融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,在利用训练得到的权重,对未标注影像进行道路预测的过程中,根据像素熵值给预测结果打标签,混合原始标签输入网络进行训练。
6.如权利要求5所述的融合多注意力的高分辨率遥感影像道路提取方法,其特征在于,给预测结果打标签的过程,具体为利用像素熵值计算判断输出结果的可靠性,对高熵值部分打上标签,对预测输出标签进行剪切,与原始标签混合后的数据增强。