1.一种遥感影像沙漠灌木提取方法,其特征在于,包括以下步骤:
(1)收集沙漠区域内的遥感影像,对遥感影像进行预处理,得到沙漠灌木数据集,并划分为训练集、验证集和测试集,所述沙漠灌木数据集中包含小目标灌木和大尺度灌木区域;
(2)构建FETNet模型,所述FETNet模型以EfficientNet-B0模型作为基线模型,包括编码器和解码器,所述编码器保留基线模型预定义的原始架构,在编码器和解码器跳跃连接处引入EdgeViT模块,在EdgeViT模块中,本地聚合通过深度卷积整合邻近标记的本地信息;稀疏注意力在全局范围内提供少量有代表性的标记,通过自注意力机制促进远距离信息共享;局部传播利用转置卷积将学习到的全局上下文信息从代表性标记传播到邻近标记,使得EdgeViT模块在提取小目标灌木的同时识别大尺度灌木区域;在所述解码器之间引入FEM模块,FEM模块共有4个分支,每个分支首先对输入的特征图像进行1×1卷积运算,以初步调整通道数,准备后续处理;第一个分支采用残差结构,保留小目标的关键特征信息;其他三个分支执行级联标准卷积运算,在中间两个分支上增加纹理卷积层,使得提取的特征图能够保留更多的上下文信息,提升小目标灌木检测的准确性,得到FETNet模型;
(3)对FETNet模型进行训练,设定初始学习率,选用交叉熵损失函数并使用随机梯度下降法寻找损失函数最小化参数配置,将训练集输入FETNet模型开始训练,在每轮训练后将验证集输入FETNet模型,评估FETNet模型性能,记录评估指标及每轮训练的模型权重;所述评估指标包括像素精度、平均像素精度、F1分数、频率加权交叉重叠和平均交并比中的一个或多个;
(4)达到设定的训练轮次后,选取评估指标最优的对应FETNet模型训练轮次的模型权重作为最优权重,将最优权重应用于测试集,生成沙漠灌木分割提取结果。
2.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述预处理包括:对遥感影像进行大气校正和正射校正,而后将遥感影像全色波段和多光谱波段进行图像融合,将遥感影像裁剪为设定大小,在裁剪后的遥感影像上将沙漠灌木和背景区域标注出来,利用标注后的数据生成设定尺寸的标签图。
3.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述FETNet模型包括7个编码器和4个解码器,在编码器和解码器跳跃连接处引入4个EdgeViT模块,EdgeViT模块与编码器输出和对应的解码器输入相连,在相邻的解码器之间引入FEM模块。
4.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述交叉熵损失函数公式为:,
式中:为交叉熵损失,为真实的标签值,为模型的预测值;
所述随机梯度下降法公式为:
,
式中:w为模型参数,t为更新轮次,为一个样本输入后的模型参数更新梯度,η为学习率,i为当前迭代时,训练集中选择的样本索引。
5.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述步骤(3)还包括:利用余弦退火算法更新FETNet模型的学习率,公式如下:,
式中:为第t个训练轮次的学习率,为学习率的下限,为学习率的上限,即初始学习率,为当前的训练轮次数,为最大训练轮次数。
6.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述平均交并比公式为:,
式中:为平均交并比的数值,为真阳性,为假阳性,为假阴性,为真阴性,为类别数。
7.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述步骤(4)中,将平均交并比数值最大的FETNet模型训练轮次对应的模型权重作为最优权重。
8.根据权利要求1所述的遥感影像沙漠灌木提取方法,其特征在于:所述遥感影像沙漠灌木提取方法还包括以下步骤:(5)利用沙漠灌木数据集,对FETNet模型及若干个不同深度学习模型在相同条件下进行测试,对比FETNet模型及若干个不同深度学习模型的评估指标,进行有效性验证。
9.根据权利要求8所述的遥感影像沙漠灌木提取方法,其特征在于:所述深度学习模型包括HRRNet模型、DFANet模型、DeepLabv3+模型、HRNet模型、FCN16s模型、ESPNetv2模型、ExtremeC3Net模型、FCN8s模型及SegNet模型。