基于注意力机制和扩张卷积的道路提取方法及系统技术方案

本发明专利技术公开了一种基于注意力机制和扩张卷积的道路提取方法及系统，包括基于目标区域遥感影像数据和训练好的A&D

【技术实现步骤摘要】
基于注意力机制和扩张卷积的道路提取方法及系统


[0001]本专利技术涉及深度学习及图像处理
，特别是涉及一种基于注意力机制和扩张卷积的道路提取方法及系统。

技术介绍

[0002]道路作为一种基础性设施，在数字城市建设、公共交通运输和无人汽车驾驶等领域扮演着重要的角色。随着遥感数据空间分辨率不断提高，从高分辨率影像中提取道路信息是当前一个重要的研究热点。然而，基于人工的道路矢量化方法不仅提取周期长，而且容易受到人的主观因素影响。因此，亟需一种快速、自动化的遥感影像道路信息提取方法。
[0003]近年来，学者们在利用遥感影像进行道路提取方面做了大量的研究，形成了诸多提取精度不一的方法。这些传统的方法根据提取任务不同，可分为两类。第一类方法是依赖专家知识、道路几何特征和形状特征，通过模板匹配、知识驱动等算法提取道路骨架，但这类方法存在计算复杂度较高、自动化程度较低等缺点。第二类方法则是利用面向对象的思想，通过图分割、支持向量机等方法来检测遥感影像中所有的道路区域，从而获取道路信息，然而这类方法由于受到建筑物阴影遮挡、道路灰度变化不均匀等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，包括：获取目标区域遥感影像数据；基于所述目标区域遥感影像数据和训练好的A&D
‑
UNet聚合网络模型，提取目标区域的道路信息；其中，所述训练好的A&D
‑
UNet聚合网络模型是以复合损失函数计算的损失值小于设定阈值为目标，采用训练数据训练A&D
‑
UNet聚合网络模型确定的；所述复合损失函数计算的损失值为二进制交叉熵损失函数计算的损失值与Dice损失函数计算的损失值的和；所述训练数据包括多张遥感图像以及每张所述遥感图像对应的道路标签信息；所述A&D
‑
UNet聚合网络模型包括编码器、中央处理器和解码器；所述编码器设置有残差学习单元，所述中央处理器设置有扩张卷积单元，所述解码器设置有卷积注意力模块；所述编码器用于基于所述标定遥感图像和所述残差学习单元，提取所述标定遥感图像对应的道路特征信息；所述中央处理器用于基于所述标定遥感图像对应的道路特征信息和扩张卷积单元，整合所述标定遥感图像对应的道路特征信息的邻域信息；所述解码器用于基于所述标定遥感图像对应的道路特征信息、所述标定遥感图像对应的道路特征信息的邻域信息和所述卷积注意力模块，输出标定遥感图像对应的道路预测信息；所述标定遥感图像为所述训练数据中的任意一张遥感图像；所述二进制交叉熵损失函数计算的损失值是基于所述标定遥感图像对应的道路预测信息和所述标定遥感图像对应的道路标签信息确定的；所述Dice损失函数计算的损失值是基于所述标定遥感图像对应的道路预测信息和所述标定遥感图像对应的道路标签信息确定的。2.根据权利要求1所述的一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，所述基于所述目标区域遥感影像数据和训练好的A&D
‑
UNet聚合网络模型，提取目标区域的道路信息，具体包括：对所述目标区域遥感影像数据进行预处理操作；所述预处理操作包括裁剪、筛选以及归一化处理；将预处理操作后的目标区域遥感影像数据输入到训练好的A&D
‑
UNet聚合网络模型，以提取目标区域的道路信息。3.根据权利要求1所述的一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，所述训练好的A&D
‑
UNet聚合网络模型的训练过程为：将标定遥感图像输入到A&D
‑
UNet聚合网络模型，以确定所述标定遥感图像对应的道路预测信息；基于所述标定遥感图像对应的道路预测信息和所述标定遥感图像对应的道路标签信息，计算所述复合损失函数输出的损失值；判断所述复合损失函数输出的损失值是否小于设定阈值；若是，则将用于确定所述标定遥感图像对应的道路预测信息的A&D
‑
UNet聚合网络模型确定为训练好的A&D
‑
UNet聚合网络模型；若否，则根据所述复合损失函数输出的损失值，采用反向传播方式，更新用于确定所述标定遥感图像对应的道路预测信息的A&D
‑
UNet聚合网络模型的参数，更新所述标定遥感图
像，返回将标定遥感图像输入到A&D
‑
UNet聚合网络模型，以确定所述标定遥感图像对应的道路预测信息。4.根据权利要求1所述的一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，所述训练数据的构建过程：获取多张原始遥感图像；对每个所述原始遥感图像进行道路信息提取，以确定每张所述遥感图像对应的道路标签图像；对每张所述原始遥感图像进行预处理操作，得到多张遥感图像；所述预处理操作包括裁剪、筛选以及归一化处理；对每张所述道路标签图像进行预处理操作，得到道路标签信息；多张所述遥感图像以及每张所述遥感图像对应的道路标签信息，构建训练数据。5.根据权利要求1所述的一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，所述训练好的A&D
‑
UNet聚合网络模型中的编码器包括第一输入层、残差学习单元和第二输出层；所述第一输出层，用于输入预处理操作后的目标区域遥感影像数据；所述残差学习单元为设置有恒等映射机制和批量归一化操作的学习单元；所述残差学习单元用于基于所述预处理操作后的目标区域遥感影像数据，提取目标区域对应的道路特征信息；所述第二输出层用于采用最大池化下采样方式对所述道路特征信息进行多次降维处理，输出降维处理后的道路特征信息。6.根据权利要求5所述的一种基于注意力机制和扩张卷积的道路提取方法，其特征在于，所...

【专利技术属性】
技术研发人员：王勇，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：