一种基于层级上下文网络的航拍图像分割方法技术

本发明专利技术公开了一种基于层级上下文网络的航拍图像分割方法，首先设计并构建像素点

【技术实现步骤摘要】
一种基于层级上下文网络的航拍图像分割方法


[0001]本专利技术涉及图像分割
，具体涉及一种基于层级上下文网络的航拍图像分割方法。

技术介绍

[0002]高分辨率航拍图像分割对许多应用来说是至关重要的，比如城市变化检测，救灾和精细化农业，这个任务的目的是判断图像中每一个像素点的所属类别；在高分辨率场景中，类似建筑物，街道，树和车的物体具有的异质性外观容易导致大类内差和小类间差；探索上下文信息已经被广泛认为是解决这个任务问题的有效方法，在过去的几年中，卷积神经网络是捕获上下文信息的一个最优选择；早期基于卷积神经网络的方法(例如FCN
‑
8s)尝试通过一个编码
‑
解码结构学习上下文信息，虽然这些方法能够成功地使用卷积核捕获上下文信息，但是它们的性能仍然受限于它们卷积核感受野的尺寸。
[0003]目前几乎所有的分割方法都尝试通过像素点
‑
像素点关系来区分不同的物体；然而，不同类别物体区域中有概率存在相似外观的像素点，例如，航拍图像中灰色的车辆和灰色的楼顶从空中俯视非常相像，将进一步导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层级上下文网络的航拍图像分割方法，其特征在于：包括以下步骤，步骤(A)，设计并构建像素点
‑
像素点子网络；步骤(B)，设计并构建像素点
‑
物体子网络；步骤(C)，根据构建的像素点
‑
像素点子网络和像素点
‑
物体子网络组成层级上下文网络，并获得层级上下文信息；步骤(D)，利用获得的层级上下文信息完成对航拍图像的分割作业。2.根据权利要求1所述的一种基于层级上下文网络的航拍图像分割方法，其特征在于：步骤(A)，设计并构建像素点
‑
像素点子网络，其中像素点
‑
像素点子网络能够建模像素点
‑
像素点关系，且像素点
‑
像素点子网络构建的具体步骤如下，步骤(A1)，设定一个类别注意力图A
k
，再将它乘上卷积特征F的每一个通道从而突出了卷积特征F中第k类物体的特征，接着使用卷积层、批量归一化层和非线性激活函数将所有类别相关的特征都集成到一起构成一个全局的类别级表征F
′
；步骤(A2)，设定特征F
′
，且像素点
‑
像素点子网络使用自注意力机制提取像素点
‑
像素点关系；接着将F
′
输入到两个函数η和θ中分别得到两个新的特征和其中η和θ代表非线性变换函数，且该函数是由一层1
×
1卷积层、一层批量归一化层和ReLU激活函数构成，而这两个特征转置成和其中S＝H
×
W；随后将M的转置和N使用矩阵乘法结合，并使用softmax函数获得像素点
‑
像素点关系如公式(1)所示，其中，相似度函数“sim(
·
,
·
)”使用点积相似度衡量M中第i个像素点和N中第j个像素点的相似度；步骤(A3)，将特征F
′
输入到另一个函数λ得到一个新的特征再使用矩阵乘法将L和W
′
结合得到每一个像素点细节粒度的上下文信息如公式(2)所示，其中，λ和μ代表非线性变换函数，且该函数由一层1
×
1卷积层、一层批量归一化层和ReLU激活函数构成。3.根据权利要求1所述的一种基于层级上下文网络的航拍图像分割方法，其特征在于：步骤(B)，设计并构建像素点
‑
物体子网络，其中像素点
‑
物体子网络引入了整体特征的概念，且整体特征是某一类物体包含的所有像素点的特征总和，而构建像素点
‑
物体子网络的具体步骤如下，步骤(B1)，对航拍图像进行聚类学习，其具体步骤如下，步骤(B11)，提出聚类学习方法用于获得每一类物体的全局描述子，且由于原始的航拍图像包含多个类别的物体，聚类学习方法首先从原始大图上裁剪出小尺寸图像块，并构成聚类学习方法的训练集；步骤(B12)，将每个图像块输入到在ImageNet数据集上预训练好的ResNet18中得到对
应的特征，再将子网络使用主成分分析对特征进行降维并得到一个D维的特征向量；步骤(B13)，使用基于几何距离的聚类方法k
‑
means将主成分分析降维后的特征向量聚类成K个不同的簇，其中K
‑
means是根据每个输入特征向量和聚类中心的欧氏距离将伪标签分配给对应的输入图像块；步骤(B14)，ResNet18的参数通过预测分配对每个输入图像块的伪标签进行更新迭代，且ResNet18使用随机梯度下降对预测标签和分配的伪标...

【专利技术属性】
技术研发人员：周峰，杭仁龙，刘青山，
申请(专利权)人：南京审计大学，
类型：发明
国别省市：