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: 202310793972X
申请人: 淮阴工学院
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Water-WSSS模型的端到端的弱监督遥感图像水体分割方法,其特征在于,包括以下步骤:步骤1:采集高分二号卫星遥感图像,获取含有水体的目标图像,构建全新遥感图像水体数据集并进行预处理;

步骤2:构建语义分割Water-WSSS模型,并将上述的水体数据集通过Water-WSSS模型进行训练得到模型Y;所述Water-WSSS模型包括主干网络、分类分支、分割分支、伪标签细化模块和特征增强模块;

主干网络提取到的特征图分别输入到分类分支和分割分支中,分类分支和分割分支共享相同的主干网络,训练时两个分支同时更新整个网络;测试时,只使用分割分支来产生分割结果;分类分支输出水体的初始类激活图,主干网络提取到的特征和分类分支得到的初始类激活图输入到伪标签细化模块,得到最终结果RCAM,作为分割分支的伪真值标签,输入到分割分支中;利用分割分支得到初始分割结果后使用特征增强模块提高模型的分割性能;

语义分割Water-WSSS模型的具体实现过程如下:

(2.1)使用改进的DPND作为主干网络,DPND将DenseNet网络中的密集连接块与ResNet网络中的残差块相结合,在DPND的最后添加三个残差块,同时对残差块进行空洞卷积;

(2.2)将主干网络提取到的特征图分别输入到分类分支和分割分支中,分类分支和分割分支共享相同的主干网络,训练时两个分支同时更新整个网络;测试时,只使用分割分支来产生分割结果;

(2.3)在分类分支中,全局平均池化应用于最后一个卷积层,其结果用于全连接层进行分类;在分类分支的最后一个卷积层上使用全连接层权重来获得水体的初始类激活图;

(2.4)将主干网络提取到的特征和分类分支得到的初始类激活图输入到伪标签细化模块中,得到最终的类激活图RCAM,作为分割分支的伪真值标签,输入到分割分支中;

(2.5)分割分支用于预测像素级标签,分割分支在主干网络之后添加两层空洞卷积层,得到初始分割结果R1;

(2.6)对初始分割结果R1使用特征增强模块,解决小目标水体分割像素精度低的问题,提高模型的分割性能;

所述特征增强模块输入为初始分割结果R1,使用GAP操作,再使用一次1×1卷积操作,上采样之后恢复到原始分辨率得到结果R2,对R1使用一次1×1卷积操作得到结果R3,对R1使用一系列卷积操作得到结果R4,对R3和R4使用相乘操作得到结果R5,R2和R5相加得到最终的结果R6,即Water-WSSS模型最终的分割结果;

步骤3:使用训练好的模型Y对水体通过分割分支进行分割得到初始结果,然后输入特征增强模块,得到最终的分割结果。

2.根据权利要求1所述的一种基于Water-WSSS模型的端到端的弱监督遥感图像水体分割方法,其特征在于,所述步骤1中,对水体数据集预处理是先将像素不一和多样化水体场景的图像进行归一化处理,然后随机打乱数据集中的图片,取部分原始图片作为训练集,将其余部分图片进行水体标记,取其余部分图片的一半图片作为验证集,另一半图片作为测试集,只在验证和测试时使用有标记的图片。

3.根据权利要求1所述的一种基于Water-WSSS模型的端到端的弱监督遥感图像水体分割方法,其特征在于,所述伪标签细化模块包括像素相关模块PCM和像素区域相关模块PRCM;通过PCM模块,利用上下文外观信息和细化预测当前像素邻居像素;通过PRCM模块,利用特征图和CAM的关系增强上下文信息,进一步提升CAM的准确性;具体结构如下:所述像素相关模块PCM的输入为DPND作为主干网络提取到的特征图F和分类分支生成的初始类激活图CAM,首先对特征图F进行两次1×1卷积和双线性插值以后得到F1,将F1和CAM使用相乘操作得到F2,将F2进行一次卷积操作再输入CBAM中,最后得到调整后的特征图,即PCAM;

所述像素区域相关模块PRCM的输入为DPND作为主干网络提取到的特征图F和分类分支生成的初始类激活图CAM,首先对F和CAM使用相乘操作得到F3,F3使用上下文特征细化特征图获得F4,F4使用双线性插值得到F5,对F进行一次1×1卷积操作得到结果F6,F5和F6相乘的结果输入CBAM中,最后得到调整后的特征图,即PRCAM;

PCAM和PRCAM相乘再经过一次CBAM模块,得到伪标签细化模块的最终结果RCAM。

4.根据权利要求1所述的一种基于Water-WSSS模型的端到端的弱监督遥感图像水体分割方法,其特征在于,所述步骤3实现过程如下:分割分支通过对训练好的模型Y对输入的图片进行分割预测,将结果输入特征增强模块进行运算;

网络总损失由两个损失项组成,即分类损失记为Lcls,分割损失记为Lseg;

对于分类损失,将聚合的特征馈送到分类层以计算类别概率向量pcls,然后使用多标签软边缘损失作为分类损失,分类损失具体计算如下:其中,C是类别总数,自建的数据集中只含有水体和背景,C为2;yc是对应类别的真值图像级标签,是对应类别的概率向量;

对于分割损失,由前景分割损失和背景分割损失组成,二者均采用二元交叉熵损失,采用动态加权;计算采样后的水体数据集,前景像素和背景像素的数量比例为0.24:0.76,通过分别计算前景分割损失记为Lfg,背景分割损失记为Lbg来确定水体的位置和大小并生成最后的分割图;分割损失具体计算如下:Lseg=αLfg+βLbg

其中,α和β是权重系数,用于平衡水体和背景的重要性,α=0.76,β=0.24;

前景分割损失Lfg衡量模型对水体的预测准确性,具体计算如下:

其中Nfg是水体的像素数量,是模型预测像素,i是前景概率;

背景分割损失Lbg衡量模型对背景的预测准确性,具体计算如下:

其中Nbg是背景的像素数量,是模型预测像素,i是背景概率;

综合前景分割损失和背景分割损失,定义网络总损失:

L=Lcls+Lseg

其中,Lcls是分类损失,Lseg是分割损失。