本发明专利技术公开了一种坍塌建筑物检测方法包括：采集高分遥感影像信息，获取低层次特征图和高层次特征图；根据低层次特征和高层次特征中每个特征通道的重要程度对注意力特征进行重加权，抑制非重要特征；通过损失函数的代价敏感迭代，输出对坍塌建筑物类别样本的预测结果。能够充分挖掘高低层特征的互补信息，提高了对坍塌建筑物轮廓的提取能力。针对坍塌建筑物检测应用特点，提出了一种CSloss，通过自适应增加坍塌建筑物错分样本的损失权重，从而迫使网络能够更关注坍塌建筑物样本的学习，从而提高坍塌建筑物的检测精度。提高坍塌建筑物的检测精度。提高坍塌建筑物的检测精度。
【技术实现步骤摘要】
一种坍塌建筑物检测方法、装置及介质
[0001]本专利技术涉及坍塌建筑物检测
，具体为一种坍塌建筑物检测方法、装置及介质。
技术介绍
[0002]地震具有侵袭性强、破坏性大的特点，且坍塌建筑物通常是震后应急响应及灾后重建的首要靶标，而高分遥感影像具有不受地面条件限制、时效性强等优点，已成为开展坍塌建筑物信息提取的重要数据来源。尽管如此，震后场景的背景高度复杂，坍塌建筑物不仅没有特定的几何形状且轮廓模糊，同时又与多样的地面对象和地表覆盖混杂分布，导致高分遥感影像中的坍塌建筑物检测仍然是一个极具挑战性的任务。
[0003]近年来，CNN
‑
based networks在很多计算机视觉任务中展现出了优异的性能，包括坍塌建筑物检测。其中，UNet作为一种目前非常流行的语义分割网络，利用不同层级间的特征融合缓解了由于下采样造成的细节信息丢失问题，有利于显著改善检测效果。
[0004]尽管如此，以上方法均未考虑UNet网络直接融合了来自编码器和解码器子网络的特征，忽略了不同阶段特征的语义差距，导致其对坍塌建筑物轮廓等局部细节信息的表达能力不强。此外，已有方法大多在计算损失函数时对不同类别的错误样本无差别对待。然而在坍塌建筑物检测这个特殊的二分类任务中，在震后场景中坍塌建筑物样本相比于其他地物样本更加难以获取且占比较小；另一方面，相较于总体精度，用户却更加关注于对坍塌建筑物的检测精度。因此，要求网络在训练过程中更加重视对坍塌建筑物样本的学习。
[0005]基于高分遥感影像(high<br/>‑
resolution remote sensingimages)进行坍塌建筑物检测(collapsed buildings detection)，对开展震后应急响应及灾后重建等具有重要意义。近年来，UNet网络架构已经被应用于坍塌建筑物检测领域并取得了令人印象深刻的效果(impressive results)。然而，目前大多数已有方法直接融合来自编码器和解码器子网络的特征，带来了冗余或互斥(redundancy or mutual exclusion)信息，从而降低了对坍塌建筑物轮廓(outline of collapsed buildings)细节的表达能力；此外，震后场景中坍塌建筑物样本(collapsed building samples)不易获取且占比较小，而这些方法在训练过程中对不同类别的错分样本(misclassified samples)无差别对待，忽略了对坍塌建筑物样本的强化学习。为此，本文提出了一种基于相互注意模块Mutual Attention Module(MAM)与代价敏感迭代损失Cost Sensitive loss(CS loss)的震后坍塌建筑物检测网络MC
‑
UNet。首先，在UNet网络的跳跃连接(skip connections)中设计了一种相互注意模块(MAM)，以充分利用高低层特征信息(high
‑
level and low
‑
level feature information)增强特征表达能力；在此基础上，设计了一种新颖的代价敏感迭代损失函数(CS loss)，从而强迫(force)模型更加专注对坍塌建筑物样本(collapsed buildingsamples)的学习。
技术实现思路
[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施
例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述存在的问题，提出了本专利技术。
[0008]因此，本专利技术解决的技术问题是：现有的坍塌建筑物检测方法存在训练过程中对不同类别的错分样本无差别对待，忽略了对坍塌建筑物样本的强化学习，以及如何使模型更加专注对坍塌建筑物样本的学习。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：一种坍塌建筑物检测方法，包括：
[0010]采集高分遥感影像信息，获取低层次特征图和高层次特征图；
[0011]根据低层次特征和高层次特征中每个特征通道的重要程度对注意力特征进行重加权，抑制非重要特征；
[0012]通过损失函数的代价敏感迭代，输出对坍塌建筑物类别样本的预测结果。
[0013]作为本专利技术所述的坍塌建筑物检测方法，其特征在于：所述低层次特征图和高层次特征图包括，低层次特征图和高层次特征图u
h
∈分别经过Squeeze将特征图H
×
W
×
C压缩为1
×1×
C，得到低层次和高层次的压缩特征z
l
,z
h
，表征在特征通道上响应的全局分布，获得全局信息；
[0014][0015][0016]其中，H为特征图的高，W为特征图的宽，C为通道数，F
sq
表示Squeeze函数，i和j描述特征图中像素的坐标位置。
[0017]作为本专利技术所述的坍塌建筑物检测方法，其特征在于：通过Excitation操作加入两个全连接层，学习捕获通道的相关性，获取所述低层次特征和所述高层次特征中每个特征通道的重要程度s
l
和s
h
；
[0018][0019][0020]其中，δ为Relu激活函数，σ为sigmoid函数，参数ω
k
(k∈{1,2,34})是每个特征通道生成的权重，F
ex
为Excitation函数；此时，第一个全连接层将1
×1×
C压缩为1
×1×
C/r,第二个全连接层将其扩充为1
×1×
C,缩减率为r。
[0021]作为本专利技术所述的坍塌建筑物检测方法，其特征在于：通过Scale操作，依据s
l
和s
h
对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion可表示为：
[0022][0023][0024][0025][0026][0027]其中表示元素相加，F
scale
为Scale函数，为低层响应，为高层响应，为低高层响应，为高低层次特征间的相互响应。
[0028]作为本专利技术所述的坍塌建筑物检测方法，其特征在于：所述损失函数包括：基于损失函数LCE和训练集获得预训练的模型M1，计算倒塌类样本对应的惩罚因子costcol：
[0029][0030]将Acc
col
替换为Acc
oth
可得其他类样本对应的惩罚因子cost
oth
；
[0031]其中，Acc
col
为倒塌类样本的单类样本精度，Acc
oth
为其他类样本的单类样本精度。
[0032]作为本专利技术所述的坍塌本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种坍塌建筑物检测方法，其特征在于，包括：采集高分遥感影像信息，获取低层次特征图和高层次特征图；根据低层次特征和高层次特征中每个特征通道的重要程度对注意力特征进行重加权，抑制非重要特征；通过损失函数的代价敏感迭代，输出对坍塌建筑物类别样本的预测结果。2.如权利要求1所述的坍塌建筑物检测方法，其特征在于：所述低层次特征图和高层次特征图包括，低层次特征图和高层次特征图和高层次特征图分别经过Squeeze将特征图H
×
W
×
C压缩为1
×1×
C，得到低层次和高层次的压缩特征z
l
,z
h
，表征在特征通道上响应的全局分布，获得全局信息；征通道上响应的全局分布，获得全局信息；其中，H为特征图的高，W为特征图的宽，C为通道数，F
sq
表示Squeeze函数，i和j描述特征图中像素的坐标位置。3.如权利要求2所述的坍塌建筑物检测方法，其特征在于：通过Excitation操作加入两个全连接层，学习捕获通道的相关性，获取所述低层次特征和所述高层次特征中每个特征通道的重要程度s
l
和s
h
；s
l
＝F
ex
z
l
,ω
k
＝σω2δω1z
l
s
h
＝F
ex
z
h
,ω
k
＝σω4δω3z
h
其中，δ为Relu激活函数，σ为sigmoid函数，参数ω
k
(k∈{1,2,34})是每个特征通道生成的权重，F
ex
为Excitation函数；此时，第一个全连接层将1
×1×
C压缩为1
×1×
C/r,第二个全连接层将其扩充为1
×1×
C,缩减率为r。4.如权利要求3所述的坍塌建筑物检测方法，其特征在于：通过Scale操作，依据s
l
和s
h
对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion可表示为：对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion可表示为：对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion可表示为：对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion可表示为：对所述注意力特征进行重加权，抑制非重要特征，相互注意Mul_Attertion...
【专利技术属性】
技术研发人员：郭林，杨立君，李明航，葛军，吴瑶，
申请(专利权)人：南京邮电大学，
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。