一种融合多注意力的高分辨率遥感影像道路提取方法技术

本发明专利技术涉及遥感图像处理技术领域，具体涉及一种融合多注意力的高分辨率遥感影像道路提取方法，基于膨胀残差协同注意力网络，同时结合空洞卷积模块，提取更高维的道路特征信息；在U型结构的跳跃连接部分使用轻量自注意力模块，捕获特征信息的长距离依赖关系；面向通道的交叉注意力模块，消除自注意力机制模块与解码器特征的歧义，提高特征图还原能力；最后使用训练权重对未标记遥感影像进行预测，计算熵值，使用高熵值预测结果为未标注影像打上标签，和原始标签混合输入到训练网络。本发明专利技术经过融合多注意力的深度学习道路提取方法，有效建立道路长距离通道与位置信息关系，提高了道路提取的效率。道路提取的效率。道路提取的效率。

【技术实现步骤摘要】
一种融合多注意力的高分辨率遥感影像道路提取方法


[0001]本专利技术涉及遥感图像处理
，具体涉及一种融合多注意力的高分辨率遥感影像道路提取方法。

技术介绍

[0002]遥感影像道路自动提取在城市规划、地理参考、智能交通导航、地理空间数据集成和智能交通系统中起着重要作用。然而，由于遥感影像中存在的噪声、遮挡和道路结构的复杂性，使得道路自动提取极具挑战性。传统的道路提取方法包括支持向量机，数学形态学方法，模板匹配等方法，对于少量遥感数据信息提取容易取得良好的提取效果。随着深度学习技术在实际生产生活中的广泛应用，在海量的遥感数据中快速高效的提取遥感影像信息具有重要指导价值。
[0003]基于深度学习的遥感影像道路提取方法提高了道路提取的效率，但无法同时兼顾通道间的信息与位置信息。尽管后来的注意力机制尝试在降低通道数后通过卷积来提取位置注意力信息，但卷积感受野受限，缺乏对长距离特征信息的利用，同时深度学习需要大量的标签数据的支持，需要耗费大量人工进行标注。

技术实现思路

[0004]本专利技术的目的在于提供一种融合多注意力的高分辨率遥感影像道路提取方法，旨在融合多注意力机制，建立道路长距离通道与位置信息关系，恢复道路的细节信息，改进现有的遥感影像道路提取方法，提高道路提取的效率。
[0005]为实现上述目的，本专利技术提供了一种融合多注意力的高分辨率遥感影像道路提取方法，包括下列步骤：
[0006]基于膨胀残差协同注意力神经网络，以编码器解码器体系结构作为基础网络模型；
>[0007]预处理输入数据，结合空洞卷积模块，提取高维的道路特征信息；
[0008]使用轻量自注意力模块，捕获特征信息的长距离依赖关系；
[0009]加入面向通道的交叉注意力模块，训练模型至收敛；
[0010]利用训练得到的权重，对未标注影像进行道路预测。
[0011]其中，基于膨胀残差协同注意力神经网络，以编码器解码器体系结构作为基础网络模型；
[0012]预处理输入数据，结合空洞卷积模块，提取高维的道路特征信息；
[0013]使用轻量自注意力模块，捕获特征信息的长距离依赖关系；
[0014]加入面向通道的交叉注意力模块，训练模型至收敛；
[0015]利用训练得到的权重，对未标注影像进行道路预测。
[0016]其中，预处理输入数据的过程，包括裁剪和数据增强，其中采用尺寸为256的滑动窗口裁剪影像，数据增强包括上下左右翻转，随机旋转以及尺度缩放，然后以256*256*3的
样式输入网络。
[0017]其中，预处理输入数据划分训练集和验证集，其中验证集用于对卷积神经网络的训练分割准确度进行验证，训练集用于对卷积神经网络的训练进行参数调整，训练集和验证集的比例为8：2。
[0018]其中，结合空洞卷积模块，具体为在最后一层输入空洞空间金字塔，分别输入一个1*1卷积和三个3*3卷积，分别采用1，2，4，8扩张率的卷积，将经过不同扩张率四层特征图进行拼接输入到卷积核为1的卷积中，进行通道调整。
[0019]其中，加入面向通道的交叉注意力模块的过程，具体为解码网络通过线性插值上采样操作逐步恢复原始图像尺寸，每层上采样模块最后加入面向通道的交叉注意力模块。
[0020]其中，在训练模型至收敛的过程中，通过训练损失与验证损失确定网络是否达到收敛，收敛则停止训练，获得训练后的MAG
‑
Unet分割模型，将测试集输入至训练后的MAG
‑
Unet分割模型，输出分割结果。
[0021]其中，在利用训练得到的权重，对未标注影像进行道路预测的过程中，根据像素熵值给预测结果打标签，混合原始标签输入网络进行训练。
[0022]其中，给预测结果打标签的过程，具体为利用像素熵值计算判断输出结果的可靠性，对高熵值部分打上标签，对预测输出标签进行剪切，与原始标签混合后的数据增强。
[0023]本专利技术提供了一种融合多注意力的高分辨率遥感影像道路提取方法，基于膨胀残差协同注意力网络，同时结合空洞卷积模块，提取更高维的道路特征信息；在U型结构的跳跃连接部分使用轻量自注意力模块，捕获特征信息的长距离依赖关系；面向通道的交叉注意力模块，消除自注意力机制模块与解码器特征的歧义，提高特征图还原能力；最后使用训练权重对未标记遥感影像进行预测，计算熵值，使用高熵值预测结果为未标注影像打上标签，和原始标签混合输入到训练网络。本专利技术经过融合多注意力的深度学习道路提取方法，有效建立道路长距离通道与位置信息关系，提高了道路提取的效率。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是本专利技术的一种融合多注意力的高分辨率遥感影像道路提取方法的流程示意图。
[0026]图2是本专利技术的具体实施方式中的MAG
‑
Unet卷积神经网络的结构图。
[0027]图3是本专利技术的具体实施方式中的协同注意力结构图。
[0028]图4是本专利技术的具体实施方式中的轻量自注意力结构图。
[0029]图5是本专利技术的具体实施方式中的面向通道的交叉注意力模块示意图。
具体实施方式
[0030]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附
图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0031]请参阅图1，本专利技术提供了一种融合多注意力的高分辨率遥感影像道路提取方法，包括下列步骤：
[0032]S1：基于膨胀残差协同注意力神经网络，以编码器解码器体系结构作为基础网络模型；
[0033]S2：预处理输入数据，结合空洞卷积模块，提取高维的道路特征信息；
[0034]S3：使用轻量自注意力模块，捕获特征信息的长距离依赖关系；
[0035]S4：加入面向通道的交叉注意力模块，训练模型至收敛；
[0036]S5：利用训练得到的权重，对未标注影像进行道路预测。
[0037]以下结合具体实施例与实施步骤作进一步说明：
[0038]请参阅图2至图5，以编码器—解码器结构作为基础网络模型，编码器部分采用改进膨胀ResNet101，第一层部分使用卷积替换最大池化，有效消除栅格效应；前三个残差结构与ResNet101保持一致，但在每一个残差结构的第一个3
×
3卷积后加入协同注意力分支，协同注意力模块首先使用两个1维向量的编码操作。对于输入，使用池化操作X pool，Ypool来编码水平方向和垂直方向特征，有效捕捉单方向上的长距离关系同时保留另一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多注意力的高分辨率遥感影像道路提取方法，其特征在于，包括下列步骤：基于膨胀残差协同注意力神经网络，以编码器解码器体系结构作为基础网络模型；预处理输入数据，结合空洞卷积模块，提取高维的道路特征信息；使用轻量自注意力模块，捕获特征信息的长距离依赖关系；加入面向通道的交叉注意力模块，训练模型至收敛；利用训练得到的权重，对未标注影像进行道路预测。2.如权利要求1所述的融合多注意力的高分辨率遥感影像道路提取方法，其特征在于，基于膨胀残差协同注意力神经网络，以编码器解码器体系结构作为基础网络模型的过程，具体为搭建高分影像道路提取网络MAG
‑
Unet，编码器部分采用改进膨胀ResNet101，第一层部分使用卷积替换最大池化，前三个残差结构与ResNet101保持一致，在每一个残差块的第一个3*3卷积后加入协同注意力分支，在第四次下采样的卷积过程中，将膨胀系数改成2，输出特征图的尺寸和上一层保持一致。3.如权利要求1所述的融合多注意力的高分辨率遥感影像道路提取方法，其特征在于，预处理输入数据的过程，包括裁剪和数据增强，其中采用尺寸为256的滑动窗口裁剪影像，数据增强包括上下左右翻转，随机旋转以及尺度缩放，然后以256*256*3的样式输入网络。4.如权利要求3所述的融合多注意力的高分辨率遥感影像道路提取方法，其特征在于，预处理输入数据划分训练集和验证集，其中验证集用于对卷积神经网络的训练分割准确度进行验证，训练集用于对卷积神经网络的训练进行参...

【专利技术属性】
技术研发人员：闫志恒，邵红娟，任超，李毅，尹安超，张胜国，刘启睿，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：