1.一种基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述基于通道注意力特征融合的遥感图像语义分割方法,包括:将待预测的遥感图像输入特征提取模块,提取四个尺度的初始特征;
将提取到的特征输入全局信息模块,扩大感受野并充分利用全局上下文信息,输出相同的特征和;
将特征与初始特征依次通过注意力融合模块,逐步获得多尺度通道注意力融合后的特征;
将特征与注意力融合后的特征依次通过注意力解码模块,逐步获得解码后的特征;
将解码后的最后一个特征通过卷积和上采样,然后使用Softmax分类器获得最终的语义分割结果;
其中,所述注意力解码模块,执行如下操作:
S41. 以表示注意力解码模块输入的上一级特征,以表述注意力解码模块输入的注意力融合后的特征;
S42.将通过双线性插值上采样至与相同大小,生成特征;
S43.将特征和都通过全局平均池化操作和一个线性层,生成特征向量和;
S44.对特征向量和求平均值并使用Sigmoid函数激活,获得表示通道重要性的注意力图,与特征元素相乘用于生成重新校准的特征;
S45.将重新校准的特征与特征拼接,并通过卷积核恢复通道数,得到输出。
2.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述特征提取模块采用ResNet-50骨干网络,在输入待预测的遥感图像尺寸为时,提取四个初始特征的尺度分别为:,,,。
3.根据权利要求2所述的基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述将提取到的特征输入全局信息模块,扩大感受野并充分利用全局上下文信息,输出相同的特征和,包括:S21.将特征分别通过目标大小分别为1,3和6的三个平均池化层,得到三个不同尺寸的特征图,尺度分别为,,;
S22.将特征图分别通过的卷积核,进行通道的压缩以去除冗余的通道信息,再进行上采样至相同大小,得到特征图,尺度均为;
S23.将三个特征图进行通道维度上的拼接,得到尺度为的特征;
S24.将特征通过的卷积核,把通道数降低至256,获得糅合了多种尺度的复合特征图和,两者完全相同,尺度为。
4.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述将特征与初始特征依次通过注意力融合模块,逐步获得多尺度通道注意力融合后的特征,包括:将初始特征分别输入到各自对应的注意力融合模块,初始特征与特征进行注意力融合,得到融合后的特征,初始特征与特征进行注意力融合,得到融合后的特征,初始特征与特征进行注意力融合,得到融合后的特征。
5.根据权利要求4所述的基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述注意力融合模块,执行如下操作:S31.以表示注意力融合模块输入的上一级特征,以表述注意力融合模块输入的初始特征;
S32、将进行双线性插值上采样得到,通过的卷积核进行通道数量降低得到,然后进行元素相加,获得特征;
S33.将特征分别进行全局和局部的上下文信息提取操作,获取全局的上下文信息和局部的上下文信息;
S34.将和进行广播机制的加法,并使用Sigmoid函数进行激活,得到多尺度通道注意力权重;
S35.将权重与特征、通过元素相乘进行权重平均,得到注意力融合模块的输出。
6.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法,其特征在于,所述将特征与注意力融合后的特征依次通过注意力解码模块,逐步获得解码后的特征,包括:将注意力融合后的特征分别输入到各自对应的注意力解码模块,特征与特征进行注意力解码,得到解码后的特征,特征与特征进行注意力解码,得到解码后的特征,特征与特征进行注意力解码,得到解码后的特征。