【技术实现步骤摘要】
基于多尺度注意力机制的地物分类方法、装置、电子设备及介质
[0001]本申请涉及图像处理的领域,尤其是涉及基于多尺度注意力机制的地物分类方法、装置、电子设备及介质。
技术介绍
[0002]遥感影像地物分类作为遥感影像解译的基石,在土地数据更新、地物观测、变化检测等领域都有着十分重要的作用。遥感影像地物分类的目的是对影像中的每个像素点进行类别归属,即把影像中所包含的每个类别都准确地从原图中标记出来。
[0003]得益于计算机图像领域深度学习的发展,遥感图像地表覆盖分类从传统的人工设计特征方法逐渐提升为自动学习的深度特征提取方法;深度学习网络以层次化的方式从遥感图像中提取区分性的高级语义特征,用于地物识别,取得了比传统方法更优的分类精度。
[0004]但是,由于遥感影像的背景复杂、目标多样且大小不一致、幅宽大等特点,使得现有语义分割网络在遥感影像上呈现出拟合速度慢,边缘目标分割不精确,大尺度目标分割类内不一致、存在孔洞等缺陷,给遥感目标检测带来巨大挑战。
技术实现思路
[0005]为了提升对遥感影像地物分类的准确性,本申请提供基于多尺度注意力机制的地物分类方法、装置、电子设备及介质。
[0006]第一方面,本申请提供一种基于多尺度注意力机制的地物分类方法,采用如下的技术方案:一种基于多尺度注意力机制的地物分类方法,包括:获取输入图像;将输入图像输入至深度卷积神经网络,生成高级语义特征和低级语义特征;将所述高级语义特征输入至空洞金字塔池化模块,生成特征图;将所述低级语义特征输入至第二 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度注意力机制的地物分类方法,其特征在于,包括:获取输入图像;将输入图像输入至深度卷积神经网络,生成高级语义特征和低级语义特征;将所述高级语义特征输入至空洞金字塔池化模块,生成特征图;将所述低级语义特征输入至第二双注意力机制模块,生成特征图;基于所述特征图和所述特征图生成预测图像;其中,所述第二双注意力机制模块包括第二空间注意力模块和第二通道注意力模块。2.根据权利要求1所述的方法,其特征在于,将所述低级语义特征输入至第二双注意力机制模块,生成特征图,包括:将低级语义特征进行1
×
1卷积后生成低级特征图;将低级特征图进行1
×
1卷积生成特征图;将特征图输入至第二空间注意力模块,通过第二空间注意力模块对特征图经过3
×
3卷积、激活函数后生成特征图,将特征图经过两个堆叠的3
×
3卷积、激活函数后生成特征图;将特征图经过三个堆叠的3
×
3卷积、激活函数后生成特征图;将特征图、特征图、特征图融合后,经激活函数、1
×
1卷积生成特征图;将特征图经过全局池化层、全连接层、激活函数、全连接层以及激活函数后,生成特图;将特征图、特征图以及低级特征图相乘后,生成特征图;将特征图与低级特征图相加,融合生成特征图。3.根据权利要求1所述的方法,其特征在于,基于所述特征图和所述特征图生成预测图像,包括:将特征图经过上采样后与特征图融合,生成特征图;将特征图经过3
×
3卷积,生成特征图;将特征图输入至第三双注意力机制模块,生成特征图;特征图经过上采样生成预测图像。4.根据权利要求2所述的方法,其特征在于,将特征图输入至第三双注意力机制模块,生成特征图,包括:将特征图经过1
×
1卷积后生成特征图;将特征图输入至第三空间注意力模块,通过第三空间注意力模块对特征图输入分别经过多个扩张率不同的3
×
3卷积进行卷积,生成多个不同的特征图,其中,每个i与每个扩张率对应;将多个特征图融合后、经过激活函数、1
×
1卷积后生成特征图;将特征图输入至第三SEnet网络模型,通过第三SEnet网络模型对特征图进行全局池化、全连接、激活函数、全连接后、归一化后,生成特征图;将特征图、特征图以及特征图相乘,生成特征图;将特征图与特征图逐元素相加后,生成特征图。5.根据权利要求1所述的方法,其特征在于,将所述高级语义特征输入至空洞金字塔池化模块,生成特征图,包括:将高级语义特征输入至第一空间注意力模块(10),通过第一空间注意力模块(10...
【专利技术属性】
技术研发人员:张小璐,曹连雨,
申请(专利权)人:中科弘云科技北京有限公司,
类型:发明
国别省市:
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。