高分辨率遥感影像的轻量化语义分割方法技术

技术编号:26971604 阅读:23 留言:0更新日期:2021-01-06 00:02
一种高分辨率遥感影像的轻量化语义分割方法,包括:网络的搭建、训练以及测试,该网络具体为pytorch深度学习框架构建编码器‑解码器结构的深度语义分割网络,基于遥感影像数据样本集进行网络训练后,以待测遥感影像作为网络输入,得到遥感影像的分割结果。本发明专利技术一方面通过分解深度可分离卷积来减少模型参数,降低计算复杂度,缩短高分辨率遥感影像语义分割的时间,提高高分辨率遥感影像语义分割的效率。另一方面通过多尺度特征聚合、空间注意力模块与门控卷积提高语义分割精度,使所提出的轻量化深度语义分割网络能准确高效地实现高分辨率遥感影像的语义分割。

【技术实现步骤摘要】
高分辨率遥感影像的轻量化语义分割方法
本专利技术涉及的是一种遥感影像处理领域的技术,具体是一种高分辨率遥感影像的轻量化语义分割方法。
技术介绍
随着航天航空技术的发展,高分辨率遥感影像越来越容易大量获取,利用影像分割提取遥感影像中的地物边界是高分辨率遥感影像进一步进行分析和利用的基础。传统的高分辨率遥感影像分割算法通常依靠纹理、颜色等人工设计的特征来实现影像中地物边界的提取,但仅仅只能得到地物边界本身,并不能同时获得边界所界定的区域的语义信息,即地物的类别。近年来,基于深度网络的语义分割由于能够同时提取地物边界和确定地物语义,受到广泛关注。自2015年JonathanLong等人提出用于语义分割的全卷积网络(FullyConvolutionalNetworks)以来,涌现了大量语义分割方法,比如UNet,PspNet,DeepLab系列等,并且已经广泛证明它们比传统的遥感影像分割算法更具有优势,已被广泛用于遥感影像信息的自动提取。但上述方法在用于高分辨率遥感影像的语义分割时,由于高分辨率遥感影像一般具有尺寸大的特点,往往存在训练慢、效率本文档来自技高网...

【技术保护点】
1.一种面向高分辨率遥感影像的轻量化语义分割方法,其特征在于,包括:网络的搭建、训练以及测试,该网络具体为pytorch深度学习框架构建编码器-解码器结构的深度语义分割网络,基于遥感影像数据样本集进行网络训练后,以待测遥感影像作为网络输入,得到遥感影像的分割结果;/n所述的编码器利用多尺度特征融合与注意力机制技术构建得到,包括两个结构相同的子网络和用于捕捉特征图的上下文信息的注意力模块,其中:影像数据输入两个子网络中的第一子网络,第一子网络输出的低层特征图经上采样后与第一层特征图融合作为第二子网络的输入,并且第二子网络的各级特征图的输入都融合了相同尺度的第一子网络的特征图,第二子网络输出的高层...

【技术特征摘要】
1.一种面向高分辨率遥感影像的轻量化语义分割方法,其特征在于,包括:网络的搭建、训练以及测试,该网络具体为pytorch深度学习框架构建编码器-解码器结构的深度语义分割网络,基于遥感影像数据样本集进行网络训练后,以待测遥感影像作为网络输入,得到遥感影像的分割结果;
所述的编码器利用多尺度特征融合与注意力机制技术构建得到,包括两个结构相同的子网络和用于捕捉特征图的上下文信息的注意力模块,其中:影像数据输入两个子网络中的第一子网络,第一子网络输出的低层特征图经上采样后与第一层特征图融合作为第二子网络的输入,并且第二子网络的各级特征图的输入都融合了相同尺度的第一子网络的特征图,第二子网络输出的高层特征图输入至空间注意力模块,空间注意力模块的输出结果输入至解码器中;
所述的第一和第二子网络均包括:三层特征提取层,每个特征提取层由一个下采样层和四个分解深度可分离卷积残差块组成。


2.根据权利要求1所述的高分辨率遥感影像的轻量化语义分割方法,其特征是,所述的下采样层由1×1大小卷积核、步长为2的卷积层、批归一化层、Relu激活层构成。


3.根据权利要求1所述的高分辨率遥感影像的轻量化语义分割方法,其特征是,所述的分解深度可分离卷积残差块通过两组3×1与1×3的分解深度可分离卷积核提取特征,并且为了减少梯度弥散,利于网络训练,加入残差连接;
当输入特征图通道数为cin,使用cout个卷积核进行卷积运算;
标准3×3卷积核对所有通道都进行卷积运算,其参数量为3×3×cin×cout;
分解卷积将标准3×3卷积核分解为3×1与1×3的卷积核,其参数量为2×3×cin×cout;
所述的深度可分离卷积包括:
i)纵向卷积:每个3×3卷积核只负责对一个通道进行卷积运算,纵向卷积的参数量为3×3×cin;
ii)点卷积:使用1×1卷积核进行卷积运算,实现通道间的信息交互,点卷积的参数量为1×1×cin×cout;
所述的深度可分离卷积总的参数量为3×3×cin+cin×cout。


4.根据权利要求1所述的高分辨率遥感影像的轻量化语义分割方法,其特征是,所述的空间注意力模块的计算过程为:其中:θ(X)、与均为从输入特征图通过1×1卷积生成的新特征图,θ(X)、相乘的结果送入softmax层获得空间相关系数矩...

【专利技术属性】
技术研发人员:霍宏吕亮傅陈钦沙拉依丁·斯热吉丁方涛
申请(专利权)人:上海交通大学
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1