一种坍塌建筑物检测方法、装置及介质制造方法及图纸

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：