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: 2022114737501
申请人: 安徽大学
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:

1.一种基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法,其特征在于:该方法包括下列顺序的步骤:(1)获取遥感图像数据:下载两期自然保护地区域的北京二号和高景一号高分辨率遥感图像数据;

(2)进行数据预处理与数据增强:根据自然保护地矢量数据对获取的遥感图像进行筛选、拼接及裁剪;对两期遥感图像发生变化的变化区域进行语义标注,得到标签图像L1和L2,其中,L1为变化前的语义变化图,L2为变化后的语义变化图;对遥感图像和标签图像进行裁剪和数据增强,得到自然保护地语义变化检测数据集;按照7:2:1的比例将自然保护地语义变化检测数据集划分为训练集、测试集和验证集;

(3)构建CAB‑SRNet网络模型:在残差块中添加坐标注意力机制构建残差坐标注意力模块,构建双时间语义推理模块,在BI‑SRNet网络上添加残差坐标注意力模块和双时间语义推理模块,构建CAB‑SRNet网络模型;

(4)进行模型训练与评估:基于语义类损失Lsem、二进制变化损失Lchange,和语义变化损失Lsc相结合的联合损失函数,采用训练集对CAB‑SRNet网络模型进行训练,训练完成后用测试集评估CAB‑SRNet网络模型的识别精度和提取效果;

(5)进行语义变化识别:将待提取的自然保护地遥感图像进行数据预处理后,输入训练完成的CAB‑SRNet网络模型,CAB‑SRNet网络模型输出预测图像,得到自然保护地土地利用语义变化识别结果。

2.根据权利要求1所述的基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法,其特征在于:所述步骤(2)具体包括下列步骤:(2a)通过Arcgis10.5软件,对自然保护地遥感图像进行筛选、拼接及裁剪;对两期自然保护地遥感图像发生变化的变化区域进行语义标注,得到标签图像L1和L2,L1为变化前的语义变化图,L2为变化后的语义变化图,标签图像中无变化为白色,水为蓝色,裸地为棕色,植被为绿色,建筑物为红色,道路为灰色,大棚为黑色;通过滑动窗口的方式,对遥感图像和标签图像进行裁剪,裁剪成256×256大小的图像;

(2b)对裁剪后的遥感图像和标签图像进行数据增强,扩大数据量,得到自然保护地语义变化检测数据集,所述数据增强包括:水平翻转:使用图像处理库OpenCV分别对遥感图像和标签图像进行水平翻转;

垂直翻转:使用图像处理库OpenCV分别对遥感图像和标签图像进行垂直翻转;

水平垂直翻转:使用图像处理库OpenCV分别对遥感图像和标签图像先水平翻转再垂直翻转;

移位、缩放、随机裁剪和添加噪声:分别对遥感图像和标签图像进行移位、缩放、随机裁剪、添加噪声;

(2c)将自然保护地语义变化检测数据集分别按照7∶2∶1的比例划分为训练集、测试集和验证集;所述训练集用于直接参与CAB‑SRNet网络模型的训练,进行特征提取;所述验证集用于每个训练阶段之后进行验证;所述测试集用于在训练完成后测试CAB‑SRNet网络模型的识别精度和提取效果。

3.根据权利要求1所述的基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法,其特征在于:所述步骤(3)具体包括以下步骤:(3a)首先对自然保护地遥感图像进行特征提取,利用全卷积网络对两期遥感图像I1、I2进行语义特征提取,得到语义特征X1,X2;

(3b)构建残差坐标注意力模块:将坐标注意力CA模块嵌入ResNet网络的残差块中,得到残差坐标注意力模块;

利用残差坐标注意力模块合并双时间特征用于二值变化检测,采用ResNet网络结合坐标注意力机制通过未对齐的语义特征X1和X2改变信息,然后再映射到二值变化图C中,所有映射均通过1×1个权重不共享的卷积层进行;

(3c)构建双时间语义推理模块:对语义特征X1,X2之间的时间相关性和一致性进行建c×h×w H×c′ c′×H c×H模,从输入特征Xi∈R 产生查询向量qi∈R 、键向量ki∈R 、值向量vi∈R ,其中,i=1,2,为通道的数量,h和为空间大小,H=h,c′=c/r,r为通道减少系数,qi、ki、vi由Xi馈入H×H不同的卷积层得到,注意矩阵A1、A2、A11、A22∈R 的计算公式为:其中,是一个沿行维的softmax归一化函数,A1、A2、A11、A22用于记录每对空间位置之间的相关性,获得一个增强特征P1,P2:P1=X1+v1×A1+v1×A11

P2=X2+v2×A2+v2×A22

通过1×1个权重不共享的卷积层映射得到语义图Q1,Q2;

(3d)语义变化图S1,S2由二值变化图C掩膜语义图Q1,Q2得到:S1,S2=C·(P1,P2);

(3e)在BI‑SRNet网络上添加残差坐标注意力模块和双时间语义推理模块,构建CAB‑SRNet网络模型。

4.根据权利要求1所述的基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法,其特征在于:所述步骤(4)具体包括以下步骤:(4a)由语义类损失Lsem,二值变化损失Lchange和语义变化损失Lsc相结合构成联合损失函数Lscd;

语义类损失Lsem是指语义图Q1,Q2和标签图像L1和L2之间的多类交叉熵损失,每个像素上的语义类损失Lsem的计算公式为:其中,N为语义类数,N根据数据集中类的数量来设置;yi表示真值标签的预测概率,pi表示第i个类的预测概率;

二值变化损失Lchange是预测的二值变化图C和参考变化图Lc之间的二值交叉熵损失,参考变化图Lc用L1或L2生成,每个像素的二值变化损失Lchange计算公式为:Lchange=‑yclog(pc)‑(1‑yc)log(1‑pc)其中,yc表示真值标签的变化概率,pc表示预测的变化概率;

使用余弦损失函数计算预测的语义图Q1,Q2与参考变化图Lc之间的语义变化损失Lsc,计算公式如下:其中,x1和x2分别为Q1和Q2上的一个像素的特征向量;

双时间语义推理模块中两个特征嵌入分支的训练由L1和L2直接监督,并由Lc辅助进行,而残差坐标注意力模块的训练由Lc直接监督,公式如下:其中, 和 是每个时间分支的语义损失;

(4b)对CAB‑SRNet网络模型进行训练:训练时使用ResNet34网络的预训练权重,将动量设为0.99,权重衰减设为0.0005;学习速率最初被设置为0.01,然后线性衰减为0,直到训练好的200个epochs;在每个训练阶段之后进行验证;

(4c)模型精度评估:采用评价指标总体精度OA、交并比IoU来评价精度,评价指标计算公式如式所示:式中,TP表示真阳性的数量,FP表示假阳性的数量,FN表示假阴性的数量,TN表示真阴性的数量。

5.根据权利要求1所述的基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法,其特征在于:所述步骤(5)具体包括以下步骤:(5a)将待语义变化识别的自然保护地遥感图像进行数据预处理后,大小调整为256×

256大小;

(5b)将调整好的图像输进训练完成的CAB‑SRNet网络模型,通过CAB‑SRNet网络模型后输出预测图像,拼接得到自然保护地语义变化识别结果,预测图像中无变化为白色,水为蓝色,裸地为棕色,植被为绿色,建筑物为红色,道路为灰色,大棚为黑色。