一种遥感图像分割方法、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分割方法、装置、计算机设备和存储介质，通过将遥感图像的原始特征图在通道维度上划分得到多个初始局部特征组，分别对每一初始局部特征组分割得到每一初始局部特征组的子特征图，根据每一初始局部特征组的子特征图的相对通道顺序对子特征图进行重排，得到多个重排局部特征组，将多个重排局部特征组分别输入通道自注意力模块，对得到的多个局部自注意力特征组进行重新组合，得到与初始局部特征组中子特征图相对通道顺序相同的多个还原局部特征组，将还原局部特征组分别输入预先构建的通道自注意力模块得到稀疏通道自注意力图，本发明专利技术还考虑了位置维度和通道维度之间的交互信息。本发明专利技术能更快获得更精确的图像分割。精确的图像分割。精确的图像分割。

【技术实现步骤摘要】
一种遥感图像分割方法、装置、计算机设备和存储介质


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

技术介绍

[0002]随着遥感技术的发展，获得高分辨率遥感图像更加容易，高分辨率遥感图像包含了大量可利用的信息。图像分割是一种预测图像的每个像素的语义类别的计算机视觉任务，在土地资源管理、导航、测绘等领域具有重要的应用价值。
[0003]近年来，卷积神经网络CNN在图像分割中得到了广泛的应用。有研究人员提出全卷积网络(FCNs)，实现了端到端语义分割，然而很多细节在降采样的过程中丢失了；U
‑
Net采用编码器和解码器之间的跳跃式连接，将低级特征与细节融合，高级特征与语义信息融合；PSPNet提出了空间金字塔池化模块，获得了丰富的多尺度上下文；Deeplab系列提出了条件随机场(CRF)获取上下文和空洞空间金字塔池模块(ASPP)嵌入多尺度上下文；HRNet提出了一种并行结构骨干网，该骨干网在整个过程中都能保持高分辨率特性。但是，上述方法都不能有效地捕捉全局上下文关系，导致网络对不同语义类别的相似对象的区分能力较弱。
[0004]还有研究人员提出利用自注意机制对非局部依赖进行建模，例如采用DANet 来捕获位置和通道维度上的远程依赖关系、采用CCNet的循环交叉注意模块对空间全局上下文相关性进行建模、以交错稀疏自我注意为核心的OCNet。这些方法分别对位置维度和通道维度进行自注意力操作，特征图实际上是三维的，上述方法忽略了位置维数和通道维数之间的跨维交互信息，导致对小目标分割性能较差或对大目标内部分割不一致。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种遥感图像分割方法、装置、计算机设备和存储介质，以便提高图像分割的精确度。
[0006]一种遥感图像分割方法，所述方法包括：
[0007]获取待分割的遥感图像的原始特征图；
[0008]将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的位置维度和通道维度的跨维交互自注意力图；
[0009]将所述原始特征图在通道维度上划分得到多个初始局部特征组，分别对每一所述初始局部特征组进行分割，得到每一所述初始局部特征组对应的多个子特征图，根据所述每一所述初始局部特征组中的子特征图的相对通道顺序，对所述多个子特征图进行重新组合和排列，得到多个重排局部特征组，将所述多个重排局部特征组分别输入预先构建的通道自注意力模块，得到多个局部自注意力特征组；
[0010]将所述局部自注意力特征组中的子特征图进行重新组合，得到与所述初始局部特征组中子特征图相对通道顺序相同的多个还原局部特征组，将所述还原局部特征组分别输入预先构建的通道自注意力模块，得到稀疏通道自注意力图；
[0011]根据所述原始特征图、所述稀疏通道自注意力图以及所述跨维交互自注意力图得到所述遥感图像的分割结果。
[0012]在一个实施例中，将所述多个重排局部特征组分别输入预先构建的通道自注意力模块，得到多个局部自注意力特征组，包括：
[0013]将所述多个重排局部特征组M∈R
c/n
×
H
×
W
分别输入预先构建的通道自注意力模块，对所述多个重排局部特征组M∈R
c/n
×
H
×
W
分别进行维度调整，得到第一维度调整局部特征组M∈R
c/n
×
HW
；其中C为原始特征图的通道数，H为原始特征图的高度，W为原始特征图的宽度，n为重排局部特征组的数量；
[0014]根据所述第一维度调整局部特征组M∈R
c/n
×
HW
得到第一通道间交互度量分数，根据所述第一通道间交互度量分数和对应的重排局部特征组 M∈R
c/n
×
H
×
W
得到多个局部自注意力特征组。
[0015]在一个实施例中，将所述还原局部特征组分别输入预先构建的通道自注意力模块，得到稀疏通道自注意力图，包括：
[0016]将所述还原局部特征组M
′
∈R
c/n
×
H
×
W
分别输入预先构建的通道自注意力模块，对所述多个还原局部特征组M
′
∈R
c/n
×
H
×
W
分别进行维度调整，得到第二维度调整局部特征组M
′
∈R
c/n
×
HW
；其中C为原始特征图的通道数，H为原始特征图的高度，W为原始特征图的宽度，n为重排局部特征组的数量；
[0017]根据所述第二维度调整局部特征组M
′
∈R
c/n
×
HW
得到第二通道间交互度量分数，根据所述第二通道间交互度量分数和对应的还原局部特征组 M
′
∈R
c/n
×
H
×
W
得到多个局部自注意力特征组；
[0018]融合所述多个局部自注意力特征组得到稀疏通道自注意力图。
[0019]在一个实施例中，所述位置维度包括高度和宽度；
[0020]所述将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的位置维度和通道维度的跨维交互自注意力图，包括：
[0021]将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的高度和通道的第一跨维交互自注意力图；
[0022]将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的宽度和通道的第二跨维交互自注意力图；
[0023]融合所述第一跨维交互自注意力图和所述第二跨维交互自注意力图得到最终的跨维交互自注意力图。
[0024]在一个实施例中，将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的高度和通道的第一跨维交互自注意力图，包括：
[0025]采用所述预先构建的跨维自注意力模块对所述原始特征图进行卷积，得到所述原始特征图的第一查询向量Q1∈R
C
×
H
×
W
、第一键向量K1∈R
C
×
H
×
W
以及第一值向量V1∈R
C
×
H
×
W
；其中C为通道数，H为特征图的高度，W为特征图的宽度；
[0026]对所述第一查询向量Q1∈R
C
×
H
×
W
、所述第一键向量K1∈R
C
×
H
×
W
以所述一值向量V1∈R
C
×
H
×
W
进行维度调整得到第二查询向量Q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像分割方法，其特征在于，所述方法包括：获取待分割的遥感图像的原始特征图；将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的位置维度和通道维度的跨维交互自注意力图；将所述原始特征图在通道维度上划分得到多个初始局部特征组，分别对每一所述初始局部特征组进行分割，得到每一所述初始局部特征组对应的多个子特征图，根据所述每一所述初始局部特征组中的子特征图的相对通道顺序，对所述多个子特征图进行重新组合和排列，得到多个重排局部特征组，将所述多个重排局部特征组分别输入预先构建的通道自注意力模块，得到多个局部自注意力特征组；将所述局部自注意力特征组中的子特征图进行重新组合，得到与所述初始局部特征组中子特征图相对通道顺序相同的多个还原局部特征组，将所述还原局部特征组分别输入预先构建的通道自注意力模块，得到稀疏通道自注意力图；根据所述原始特征图、所述稀疏通道自注意力图以及所述跨维交互自注意力图得到所述遥感图像的分割结果。2.根据权利要求1所述的方法，其特征在于，将所述多个重排局部特征组分别输入预先构建的通道自注意力模块，得到多个局部自注意力特征组，包括：将所述多个重排局部特征组M∈R
c/n
×
H
×
W
分别输入预先构建的通道自注意力模块，对所述多个重排局部特征组M∈R
c/n
×
H
×
W
分别进行维度调整，得到第一维度调整局部特征组M∈R
c/n
×
HW
；其中C为原始特征图的通道数，H为原始特征图的高度，W为原始特征图的宽度，n为重排局部特征组的数量；根据所述第一维度调整局部特征组M∈R
c/n
×
HW
得到第一通道间交互度量分数，根据所述第一通道间交互度量分数和对应的重排局部特征组M∈R
c/n
×
H
×
W
得到多个局部自注意力特征组。3.根据权利要求1所述的方法，其特征在于，将所述还原局部特征组分别输入预先构建的通道自注意力模块，得到稀疏通道自注意力图，包括：将所述还原局部特征组M
′
∈R
c/n
×
H
×
W
分别输入预先构建的通道自注意力模块，对所述多个还原局部特征组M
′
∈R
c/n
×
H
×
W
分别进行维度调整，得到第二维度调整局部特征组M
′
∈R
c/n
×
HW
；其中C为原始特征图的通道数，H为原始特征图的高度，W为原始特征图的宽度，n为重排局部特征组的数量；根据所述第二维度调整局部特征组M
′
∈R
c/n
×
HW
得到第二通道间交互度量分数，根据所述第二通道间交互度量分数和对应的还原局部特征组M
′
∈R
c/n
×
H
×
W
得到多个局部自注意力特征组；融合所述多个局部自注意力特征组得到稀疏通道自注意力图。4.根据权利要求1所述的方法，其特征在于，所述位置维度包括高度和宽度；所述将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的位置维度和通道维度的跨维交互自注意力图，包括：将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的高度和通道的第一跨维交互自注意力图；将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的宽度和通
道的第二跨维交互自注意力图；融合所述第一跨维交互自注意力图和所述第二跨维交互自注意力图得到最终的跨维交互自注意力图。5.根据权利要求1所述的方法，其特征在于，将所述原始特征图输入预先构建的跨维自注意力模块，得到所述遥感图像的高度和通道的第一跨维交互自注意力图，包括：采用所述预先构建的跨维自注意力模块对所述原始特征图进行卷积，得到所述原始特征图的第一查询向量Q1∈R
C
×
H
×
W
、第一键向量K1∈R
C
×
H
×
W
以及第一值向量V1∈R
C
×
H
×
W
；其中C为通道数，H为特征图的高度，W为特征图的宽度；对所述第一查询向量Q1∈R
...

【专利技术属性】
技术研发人员：邹焕新，孙丽，魏娟，贺诗甜，李美霖，曹旭，刘烁，
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：