一种准确率高的遥感图像语义分割方法技术

本发明专利技术公开一种准确率高的遥感图像语义分割方法，该方法基于密集特征提取设计Dens‑inception模块以减小网络结构参数，通过浅层连接RFB多尺度模块来加强上下文信息的连接，提取浅层特征与解码器进行特征融合；在编码器中引入伴随损失神经网络，通过训练模型与最终层的损失自适应的调节模型的参数，使模型具有更好的分割性能；本发明专利技术能提高语义分割的准确率。

【技术实现步骤摘要】
一种准确率高的遥感图像语义分割方法
本专利技术涉及一种准确率高的遥感图像语义分割方法，属于遥感图像语义分割

技术介绍
性能良好的语义分割模型对于遥感图像的实际运用至关重要。遥感图像与普通光学图像相比，样本存在类间分布不均衡和物体大小比例失衡的问题。因此，需要根据RSI的特点建立语义分割模型进行像素级分类识别。目前，大部分基于主流网络的语义分割模型从物体尺度和超像素角度解决以上问题，但是准确率仍有待提高。即：现需要一种遥感图像语义分割方法，能提高语义分割的准确率。
技术实现思路
本专利技术要解决的技术问题是提供一种准确率高的遥感图像语义分割方法，能提高语义分割的准确率；可以克服现有技术的不足。本专利技术的技术方案是：一种准确率高的遥感图像语义分割方法，该方法基于密集特征提取设计Dens-inception模块以减小网络结构参数，通过浅层连接RFB多尺度模块来加强上下文信息的连接，提取浅层特征与解码器进行特征融合；在编码器中引入伴随损失神经网络，通过训练模型与最终层的损失自适应的调节模型的参数，使模型具有更好的分割性能。该方法包括在编码器上设有Dens-Inception模块、Reduction模块、浅层连接RFB多尺度模块；在解码器上设有上采样卷积模块，在编码器与解码器之间设有伴随损失神经网络；Dens-Inception模块：为多个，连接在原有的stem模块后，使用两个并行且有不同膨胀率的空洞卷积，得到的特征图与之前1×1卷积层进行级联操作，在依次相连的Dens-Inception模块中，所述膨胀率随着特征图尺寸大小的减小而减小；Reduction模块：用于在每个Dens-Inception模块之间，将特征图尺寸缩小，同时减少通道数；浅层连接RFB多尺度模块：负责将浅层特征图中的位置信息进行多尺度提取，扩大的感受野可以更好地结合上下文，连接编码器和解码器，最后建立解码模块；上采样卷积模块：将编码器提取到的高级语义信息恢复至原始图像大小；伴随损失神经网络:用于解决网络隐藏层过深引起的梯度消失和冗余特征问题，其在Dens-Inception模块中引入与最终损失函数一致的方法作为该网络的伴随损失函数。在每一个Dens-Inception模块后设有突出特征用的注意力机制模块。所述注意力模块中，GlobalAveragePooling(GAP)被应用于特征图x，即可得到一维矢量，随后经过一个MLP网络，特征图转化为一个收缩参数，在注意力模块的最后，连接着一个Sigmiod函数，为了将最终的缩放参数的数值范围框定在(0，1)之间；将最终的缩放参数与特征图进行相乘，重要的通道被突出表达，从而得到最后的生成特征图。所述浅层连接RFB多尺度模块由多个并行的分支组成，由不同大小和不同膨胀率的卷积核堆叠而成，方便网络进一步提取更多的空间特征上下文信息；通过浅层连接RFB多尺度模块与Dens-Inception的两个浅层模块连接，用以弥补深层网络提取的特征图空间信息的不足。在浅层连接RFB多尺度模块后设有调节特征图大小用的GlobalAveragePooling。上采样卷积模块包括第一个解码器模块和中间两个解码器模块及最后一个解码器模块；第一个解码器模块用于输入为编码器的最后一层；中间两个解码器模块与编码器下采样的模块一一对应形成对称结构，每一层的输入由上一层的输出及对应编码器层通过浅层连接RFB多尺度模块提取到的多尺度特征构成；最后一个解码器模块使用两个上采样层。所述伴随损失神经网络中，使用softmax作为分类，softmax与theNegativeLogarithmicLikelihoodLossFunction(NLLLoss)目标函数共同作为伴随损失函数，最终的损失函数如下所示：其中，L代表损失函数的总数，α为不同损失函数的权重系数，所有的损失函数通过线性相加得到最终的总损失，网络在训练过程中通过反向传播，自适应的学习不同损失函数的权重，调节伴随损失函数的系数。与现有技术比较，本专利技术准确率高的遥感图像语义分割方法，具有一下优点：(1)与基于原有Inceptionblock结构相比，本文提出的网络结构参数为原有的四分之一，网络在ISPRSVaihingendataset上有较高的meanintersectionoverunion(mIoU)scores，可以灵活应用于其他语义分割网络(2)使用RFB模块作为浅层特征提取的方法，与上采样步骤进行特征融合，作为解码器的一部分，使用RFB模块在测试数据集上进一步提升了图像分割的准确率。(3)在网络的中间层引入伴随损失函数，利用神经网络的反向传播，自适应地调节最终层和中间层多个损失函数的权重，汇集形成总的损失函数，提高神经网络隐藏层的透明度，共同监督神经网络提取更具有识别性的特征图。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1是本专利技术是具体Dens-Inception单元结构示意图。图2是本专利技术的是Dens-Inception模块的示意图。图3是本专利技术的浅层连接RFB多尺度模块连接结构示意图。图4是本专利技术的模型的整体框架图。图5是图4的编码器部分的结构示意图。图6是图4的解码器部分的结构示意图。图7是5种主流模型和我们提出的方法在VaihingenDataset上的分割效果图。具体实施方式以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。实施例1.针对目前方法在提取不规则物体边界不准确的问题，特别是小样本物体情况下，本文提出使用Inception-ResNet和DenseNet的变体Dens-Inception作为编码器，通过下采样进行特征提取，在此过程中引入通道注意力机制。随后将ReceptiveFieldBlock(RFB)提取到的特征与上采样进行特征融合作为网络的解码器，通过对深层语义特征图不断上采样恢复至图形原始尺寸大小。采用中间层的伴随损失函数，自适应地与最终层损失函数相结合。因此，本节将详细介绍网络的基本思想、关键组件及其总体架构。A.编码器1)Dens-Inception模块我们结合DensNet网络使用特征密集身份映射的思想，设计了Dens-Inception模块，图1是其具体的模块结构，连接在原有的stem模块后。具体而言，在1×1卷积层后，使用两个并行且有不同膨胀率的空洞卷积，得到的特征图与之前1×1卷积层进行级联操作。在本文中我们的3个Dens-Inception使用膨胀率随着特征图尺寸大小的减小而减小，分别是4、3、2。在每个Dens-Inception模块之间我们使用Reduction模块将特征图尺寸缩小，同时也减少通道数。此外，训练时本文档来自技高网...

【技术保护点】
1.一种准确率高的遥感图像语义分割方法，其特征在于：该方法基于密集特征提取设计Dens-inception模块以减小网络结构参数，通过浅层连接RFB多尺度模块来加强上下文信息的连接，提取浅层特征与解码器进行特征融合；在编码器中引入伴随损失神经网络，通过训练模型与最终层的损失自适应的调节模型的参数，使模型具有更好的分割性能。/n

【技术特征摘要】
1.一种准确率高的遥感图像语义分割方法，其特征在于：该方法基于密集特征提取设计Dens-inception模块以减小网络结构参数，通过浅层连接RFB多尺度模块来加强上下文信息的连接，提取浅层特征与解码器进行特征融合；在编码器中引入伴随损失神经网络，通过训练模型与最终层的损失自适应的调节模型的参数，使模型具有更好的分割性能。


2.根据权利要求1所述的准确率高的遥感图像语义分割方法，其特征在于：该方法包括在编码器上设有Dens-Inception模块、Reduction模块、浅层连接RFB多尺度模块；在解码器上设有上采样卷积模块，在编码器与解码器之间设有伴随损失神经网络；
Dens-Inception模块：为多个，连接在原有的stem模块后，使用两个并行且有不同膨胀率的空洞卷积，得到的特征图与之前1×1卷积层进行级联操作，在依次相连的Dens-Inception模块中，所述膨胀率随着特征图尺寸大小的减小而减小；
Reduction模块：用于在每个Dens-Inception模块之间，将特征图尺寸缩小，同时减少通道数；
浅层连接RFB多尺度模块：负责将浅层特征图中的位置信息进行多尺度提取，扩大的感受野可以更好地结合上下文，连接编码器和解码器，最后建立解码模块；
上采样卷积模块：将编码器提取到的高级语义信息恢复至原始图像大小；
伴随损失神经网络:用于解决网络隐藏层过深引起的梯度消失和冗余特征问题，其在Dens-Inception模块中引入与最终损失函数一致的方法作为该网络的伴随损失函数。


3.根据权利要求1或2任意一项所述的准确率高的遥感图像语义分割方法，其特征在于：在每一个Dens-Inception模块后设有突出特征用的注意力机制模块。


4.根据权利要求2所述的准确率高的遥感图像语义分割方法，其特征在于：所述注意力模块中，GlobalAveragePooling(GAP)被应用于特征图χ,即可得...

【专利技术属性】
技术研发人员：张永军，杨刚，牛梦佳，唐浩，曾骏，陈添，
申请(专利权)人：贵阳欧比特宇航科技有限公司，贵州大学，
类型：发明
国别省市：贵州;52