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: 2023100178272
申请人: 山东建筑大学
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:

1.一种高分辨率遥感影像建筑物提取方法,其特征在于,包括:获取研究区内的航空影像数据;

对所述航空影像数据进行图像预处理和数据增强,并将处理后的数据划分为训练集、测试集和验证集;

分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器;

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络,并根据所述训练集对所述深度空间注意力网络进行训练;

分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证,得到最优的遥感影像建筑物提取模型;

将待检测数据输入至所述遥感影像建筑物提取模型中,得到检测结果;

所述空间信息编码器包括三个阶段,每个阶段包含有两层浅层结构;每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成;每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小;所述语义编码器包括通道分割和重划分模块和3个下采样模块;所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的;

所述注意力特征定义器包括Projection层和上采样模块;所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成;

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络,并根据所述训练集对所述深度空间注意力网络进行训练,包括:根据所述空间信息编码器构建空间信息编码网络分支网络;

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络;

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络;

将所述训练集输入到所述深度空间注意力网络中,并调整超参数后进行训练,得到训练好的深度空间注意力网络。

2.根据权利要求1所述的高分辨率遥感影像建筑物提取方法,其特征在于,所述获取研究区内的航空影像数据,包括:利用无人机在所述研究区内按照设定飞行路线进行航飞,以采集所述研究区中的遥感数据集;

根据所述无人机拍摄的带有地理坐标的所述遥感数据集生成所述研究区域的遥感影像;

将所述遥感影像进行空间分辨率的调整,并根据空间分辨率达到预设分辨率阈值的遥感影像制作成所述航空影像数据。

3.根据权利要求1所述的高分辨率遥感影像建筑物提取方法,其特征在于,对所述航空影像数据进行图像预处理和数据增强,并将处理后的数据划分为训练集、测试集和验证集,包括:确定所述航空影像数据中的建筑样本;

根据所述建筑样本确定建筑标签;

对所述航空影像数据和对应的所述建筑标签进行影响裁剪,得到裁剪后的影像;

将所述裁剪后的影像进行数据增强,得到扩充处理后的图像;

按照预设比例将所述扩充后的图像进行随机划分,得到所述训练集、所述测试集和所述验证集。

4.根据权利要求1所述的高分辨率遥感影像建筑物提取方法,其特征在于,分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证,得到最优的遥感影像建筑物提取模型,包括:对所述深度空间注意力网络的训练参数进行初始化;

根据所述测试集对所述深度空间注意力网络进行测试,并根据预设的评估指标对测试的深度空间注意力网络进行评估,以得到测试好的深度空间注意力网络;

根据所述验证集对测试好的深度空间注意力网络进行验证,得到所述最优的遥感影像建筑物提取模型。

5.一种高分辨率遥感影像建筑物提取系统,其特征在于,包括:影像获取模块,用于获取研究区内的航空影像数据;

数据处理模块,用于对所述航空影像数据进行图像预处理和数据增强,并将处理后的数据划分为训练集、测试集和验证集;

模块构建模块,用于分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器;

网络训练模块,用于根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络,并根据所述训练集对所述深度空间注意力网络进行训练;

模型寻优模块,用于分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证,得到最优的遥感影像建筑物提取模型;

检测模块,用于将待检测数据输入至所述遥感影像建筑物提取模型中,得到检测结果;

所述空间信息编码器包括三个阶段,每个阶段包含有两层浅层结构;每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成;每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小;所述语义编码器包括通道分割和重划分模块和3个下采样模块;所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的;

所述注意力特征定义器包括Projection层和上采样模块;所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成;

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络,并根据所述训练集对所述深度空间注意力网络进行训练,包括:根据所述空间信息编码器构建空间信息编码网络分支网络;

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络;

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络;

将所述训练集输入到所述深度空间注意力网络中,并调整超参数后进行训练,得到训练好的深度空间注意力网络。