遥感图像语义分割方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种遥感图像语义分割方法、装置、计算机设备和存储介质。所述方法包括：获取RGB三通道的遥感图像；构建遥感图像语义分割网络，该网络包括：特征图提取网络、卷积神经网络、4个共享参数的SGA

【技术实现步骤摘要】
遥感图像语义分割方法、装置、计算机设备和存储介质


[0001]本申请涉及遥感图像处理
，特别是涉及一种遥感图像语义分割方法、装置、计算机设备和存储介质。

技术介绍

[0002]遥感图像语义分割一直是计算机视觉的研究重点，遥感图像的语义分割是地面物体解读中的一个迫切问题，其目旨在为图像中的每个像素分配一个明确的物体类别。它已经成为交通监测、交通安全、交通监测、环境保护、车辆检测等方面最重要的方法之一。遥感图像通常由各种物体、高度不平衡的地面和错综复杂的色彩变化的纹理组成，给遥感图像的语义分割带来了挑战和困难。在深度学习时代之前，为了显示植被和土地覆盖的分布，超级像素经常被用来作为从多光谱图像中提取特征的措施。然而，手工制作的描述符对于模拟这些指数的灵活性来说是一个挑战。
[0003]现有的基于卷积神经网络的遥感图像语义分割的方法模型只可以从有限的感受野而不是整个图像中捕获像素的相互依赖性；基于图神经网络的遥感影像语义分割的方法模型，需要通过先验知识得到的邻接矩阵，泛化性不强。

技术实现思路

[0004]基于此，有必要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像语义分割方法，其特征在于，所述方法包括：获取RGB三通道的遥感图像，并将所述遥感图像作为训练样本；构建遥感图像语义分割网络；所述遥感图像语义分割网络包括：特征图提取网络、卷积神经网络、4个共享参数的SGA
‑
Net网络以及融合预测模块；所述特征提取网络用于提取遥感图像的特征图；所述卷积神经网络用于提取图像增强后的遥感图像的特征图的自构建邻接矩阵；所述SGA
‑
Net网络采用图注意力神经网络挖掘遥感图像各个像素点之间的空间相似度，并采用通道线性注意力机制捕捉图神经网络通道输出之间的相关性；所述融合预测模块用于将4个SGA
‑
Net网络输出的特征进行融合预测，得到遥感图像中每个像素点的类别；根据所述训练样本对所述遥感图像语义分割网络进行训练，得到训练好的遥感图像语义分割模型；获取待测RGB三通道的遥感图像，并输入到所述遥感图像语义分割模型中，得到遥感图像中每个像素点的类别。2.根据权利要求1所述的方法，其特征在于，根据所述训练样本对所述遥感图像语义分割网络进行训练，得到训练好的遥感图像语义分割模型，步骤前还包括：构建总损失函数，所述总损失函数包括：对角对数正则化项、Kullback
‑
Leibler散度以及自适应多类加权损失函数。3.根据权利要求2所述的方法，其特征在于，根据所述训练样本对所述遥感图像语义分割网络进行训练，得到训练好的遥感图像语义分割模型，包括：将所述训练样本输入到所述特征图提取网络中，得到遥感图像的特征图；将所述遥感图像的特征图进行图像增强，得到4张增强特征图；将4张所述增强特征图输入到所述卷积神经网络中，得到4个自构建邻接矩阵；将4个所述自构建邻接矩阵分别输入到4个所述共享参数的SGA
‑
Net网络得到4个通道相关性特征图；将4个所述通道注意力特征图输入到所述融合预测网络中，得到遥感图像中每个像素点的预测类别；根据所述预测类别、所述训练样本以及所述总损失函数，对所述遥感图像语义分割网络进行反向训练，得到训练好的遥感图像语义分割模型。4.根据权利要求3所述的方法，其特征在于，所述SGA
‑
Net网络包括：图注意力神经网络和通道线性注意力机制；将4个所述自构建邻接矩阵分别输入到4个所述共享参数的SGA
‑
Net网络得到4个通道相关性特征图，包括：将第一个所述自构建邻接矩阵输入到第一个所述SGA
‑
Net网络的图注意力神经网络中，得到全局空间相似特征图；将所述全局空间相似特征图输入到第一个所述SGA
‑
Net网络的通道线性注意力机制中，得到第一个通道相关性特征图；将第二个所述自构建邻接矩阵输入到第二个所述SGA
‑
Net网络中，得到第二个通道相关性特征图；将第三个所述自构建邻接矩阵输入到第三个所述SGA
...

【专利技术属性】
技术研发人员：陈浩，资文杰，熊伟，彭双，杜春，伍江江，吴烨，李军，欧阳雪，杨岸然，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：