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: 2024116597618
申请人: 广东海洋大学
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:

1.一种基于改进U2Net模型的密集红树林计数方法,其特征在于,包括以下步骤:

采集红树林生长区的无人机激光雷达数据,构建无人机可见光遥感图像数据集;

构建改进U2Net模型;所述改进U2Net模型包括编码器、密集跳跃连接模块、解码器和显著特征图融合模块;所述编码器包括:自上往下依次设置的第一编码器、第二编码器、第三编码器、第四编码器、第五编码器和第六编码器;所述第一编码器的输入端作为编码器的输入端,其输出端与第二编码器的输入端连接;所述第二编码器的输出端与第三编码器的输入端连接;所述第三编码器的输出端与第四编码器的输入端连接;所述第四编码器的输出端与第五编码器的输入端连接;所述第五编码器的输出端与第六编码器的输入端连接;所述第六编码器的输出端作为编码器的输出端;

所述解码器包括:

自下往上依次设置的第一解码器、第二解码器、第三解码器、第四解码器和第五解码器;所述第六编码器的输出端与第五编码器的输出端拼接后,与第五解码器的输入端连接;所述第五解码器的输出端与第四编码器的输出端拼接后,与第四解码器的输入端连接;所述第四解码器的输出端与第三编码器的输出端拼接后,与第三解码器的输入端连接;所述第三解码器的输出端与第二编码器的输出端拼接后,与第二解码器的输入端连接;所述第二解码器的输出端与第一编码器的输出端拼接后,与第一解码器的输入端连接;所述第一解码器的输出端作为解码器的输出端;

所述第五编码器和第六编码器以及第五解码器均包括多尺度膨胀残差模块,所述多尺度膨胀残差模块采用多尺度膨胀卷积和密集连接捕捉不同尺度下的特征信息;

所述多尺度膨胀残差模块包括自上往下依次设置的第一膨胀卷积单元、第二膨胀卷积单元、第三膨胀卷积单元、融合卷积单元和残差单元;各个膨胀卷积单元均由第一Conv2d卷积层、第一ReLU激活函数层、第二Conv2d膨胀卷积层和第二ReLU激活函数层组成,第一卷积层的输出端与第一激活函数层的输入端连接,第一激活函数层的输出端与第二卷积层的输入端连接,第二卷积层采用膨胀倍率为1、2、3的膨胀卷积,其输出端与第二激活函数层的输入端连接;所述第一、第二和第三膨胀卷积单元之间通过级联拼接的方式将不同尺度下的特征图融合在一起,与融合卷积单元的输入端连接;所述融合卷积单元由3*3卷积层组成,融合膨胀卷积单元的输出特征图,其输出端与残差单元的输入端连接;所述残差单元包括1*1卷积层和加法器,通过残差连接将输入特征图与融合卷积单元的输出相加,残差单元的输出端作为多尺度膨胀残差模块的输出端;

利用编码器对无人机可见光遥感图像数据集提取包含不同层次语义信息的红树林冠幅特征图;

利用密集跳跃连接模块将编码器提取的红树林冠幅特征图调整为与对应解码器恢复的红树林冠幅特征图的语义一致后传递至解码器;

利用解码器将密集跳跃连接模块传递的红树林冠幅特征图与编码器输出的红树林冠幅特征图融合后输出至显著特征图融合模块;

利用显著特征图融合模块将解码器输出的不同尺度的红树林冠幅特征图进行融合,生成显著性概率图,得到红树林计数结果。

2.根据权利要求1所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述采集红树林生长区的无人机激光雷达数据,构建无人机可见光遥感图像数据集,包括:采集红树林生长区的无人机激光雷达数据;

对无人机激光雷达数据进行二维正射图像重建,构建无人机可见光遥感图像数据集。

3.根据权利要求1所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述第一编码器、第二编码器、第三编码器和第四编码器以及第一解码器、第二解码器、第三解码器和第四解码器均包括RSU-L模块;所述RSU-L模块采用深度为正整数L的对称编码器-解码器结构;

所述RSU-L模块包括L+1个编码器单元和L-1个解码器单元,第一编码器单元的输入端作为RSU-L模块的输入端,第一编码器单元的输出端与第二编码器单元的输入端连接,第二编码器单元的输出端与第三编码器单元的输入端连接,第三编码器单元的输出端与下一级编码器单元的输入端连接,串联至第L+1编码器单元的输入端,所述第L+1编码器单元的输出特征图和上一级编码器的输出特征图合并后,与第L-1解码器单元的输入端连接,第L-1解码器单元的输出和同级编码器单元的输出拼接后与上一级解码器单元的输入端连接,直至连接第二解码器单元的输入端,第二解码器单元的输出特征图与第二编码器单元的输出特征图拼接后与第一解码器单元的输入端连接,第一解码器单元的输出端作为RSU-L模块的输出端;

所述RSU-L模块的第一编码器单元和第二编码器单元由Conv2d卷积层、BatchNorm2d归一化处理层和ReLU激活函数层组成的RSU残差块构成,其余的编码器单元进一步增加下采样操作;所述RSU-L模块最底部的第L-1解码器单元由Conv2d卷积层、BatchNorm2d规范化处理层和ReLU激活函数层组成的RSU残差块构成,其余的解码器单元进一步增加上采样操作。

4.根据权利要求1所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述RSU-L模块和多尺度膨胀残差模块后均还包括EMCAM多尺度卷积注意力模块,所述EMCAM多尺度卷积注意力模块包括依次设置的通道注意力块、空间注意力块和多尺度卷积块;

所述通道注意力块包括平均池化层、最大池化层、卷积层和Sigmoid 函数,其输入端为多通道图像特征图,计算输入特征图的平均池化和最大池化结果作为卷积层的输入,接着对这两种池化结果分别应用1*1的卷积、ReLU激活函数和1*1的卷积后相加并通过Sigmoid函数得到最终的注意力权重,最后将最终的注意力权重与输入特征图相乘得到通道注意力特征图;

所述空间注意力块包括平均池化层、最大池化层、卷积层和Sigmoid 函数,其接收通道注意力块输出的通道注意力特征图作为输入,分别连接平均池化层和最大池化层的输入端,计算输入特征图的平均池化结果和最大池化结果,其中池化操作沿通道维度进行,平均池化层和最大池化层的输出分别沿通道维度进行拼接,形成新的特征图;对拼接后的特征图应用卷积后通过Sigmoid函数得到空间注意力权重,最后将空间注意力权重与输入特征图相乘得到空间注意力特征图;

所述多尺度卷积块接收空间注意力块的输出作为输入,首先通过1*1点卷积层进行通道扩张,然后采用卷积核大小为1*1、3*3、5*5的多尺度深度卷积对扩展后的特征图进行处理,处理后的将不同尺度特征图进行相加,最后经过1*1点卷积层将特征图的通道数调整为输入多尺度卷积块输入特征图的通道数,其输出作为EMCAM多尺度卷积注意力模块的输出。

5.根据权利要求4所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述密集跳跃连接模块包括:

第一桥接器、第二桥接器、第三桥接器、第四桥接器、第五桥接器和第六桥接器;

所述第一桥接器的输入端作为密集跳跃连接模块的输入端,分别与第一编码器和第二编码器的输出端连接,其输出端分别与第二解码器和第二桥接器的输入端连接;所述第二桥接器的输入端分别与第一桥接器和第四桥接器的输出端连接,其输出端分别与第二解码器和第三桥接器的输入端连接;所述第三桥接器的输入端分别与第二桥接器和第五桥接器的输出端连接,其输出端与第二解码器的输入端连接;所述第四桥接器的输入端分别与第三编码器和第四编码器的输出端连接,其输出端分别与第五桥接器、第三解码器和第二桥接器的输入端连接;所述第五桥接器的输入端分别与第四桥接器和第六桥接器的输出端连接,其输出端分别于与第三桥接器和第三解码器的输入端连接;所述第六桥接器的输入端分别与第四编码器和第五编码器的输出端连接,其输出端分别与第五桥接器和第四解码器的输入端连接;

所述第一桥接器、第二桥接器、第三桥接器、第四桥接器、第五桥接器和第六桥接器均包括多尺度膨胀残差模块。

6.根据权利要求1所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述显著特征图融合模块接收来自第一解码器、第二解码器、第三解码器、第四解码器和第五解码器以及第六编码器的输出特征图作为其输入端,通过一个大小为3*3的卷积核进行处理后作为双线性插值方法的输入,并对处理后的特征图采用双线性插值方法进行上采样,得到输出显著性概率图;然后将输出显著性概率图按照通道维度进行特征图拼接操作,将拼接后的显著性概率图通过一个1*1的卷积层和一个Sigmoid激活函数进行处理,得到最终的显著性概率图。

7.根据权利要求1所述的一种基于改进U2Net模型的密集红树林计数方法,其特征在于,所述改进U2Net模型的损失函数为:;

;

;

其中,为改进U2Net模型的损失函数,为欧几里得距离损失函数,为多尺度密度水平一致性损失函数,为调整两分量损失相对权重的系数,为图片数量,i为图片序号,为图片的预测密度图,为真实密度图,为尺度级别数量,j为尺度级别序号,为平均池化操作,为平均池化的设定输出大小。