System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像语义分割领域,具体涉及一种海洋遥感图像语义分割方法、装置及电子设备。
技术介绍
1、海洋遥感技术在灾害预报、资源探测和海洋保护等方面具有重要意义,其中语义分割作为解析海洋遥感图像的核心技术在计算机视觉领域具有重要地位。语义分割的目标是对输入图像进行逐像素预测实现区域分割,进而识别该类别的语义信息为分割结果叠加高层语义。现有的语义分割方法主要是基于fcn、多尺度、图卷积等技术进行特征挖掘,或者利用transform将遥感图像切割成小图形块以减小计算量,同时通过注意力机制捕捉上下文信息,建立目标对象之间的关系。
2、然而,现有方法存在着一些问题:第一,无法在特征耦合的卷积神经网络模型上解决类内差异大,类间差异小的问题。海洋遥感图像中,例如浮冰和锚冰形成过程受温度、水密度等因素影响,导致类内差异大相似度低;同时,例如货船和客船属于两个不同的语义类别,但外观上高度相似,导致类间差异小。现有的语义分割方法虽然可以实现像素级预测,但由于感受野局限性,无法充分挖掘全局上下文信息。第二,无法在尺寸纠缠的特征空间上精准描述目标对象,海洋遥感图像内的语义信息尺度严重纠缠,例如正常情况岛屿的面积远大于船舶,模型可以正确分类,但如果出现船舶远远大于岛屿的情况,模型就难以对这两种语义进行精准描述。对于同一语义的特征空间尺度纠缠情况,现有技术难以准确识别同一语义下的多尺度目标,容易出现模型对语义的理解混乱,将同一语义的多个尺度的多个目标看作是同一物体进行建模,无法精准描述目标对象。
技术实现思路
1、有鉴于此,有必要提供一种海洋遥感图像语义分割方法、装置及电子设备,用于解决现有技术无法充分挖掘海洋遥感图像的全局上下文信息,以及难以识别同一语义下的多尺度目标,导致对海洋遥感图像语义分割的准确度较低的技术问题。
2、为了解决上述问题,一方面,本专利技术提供了一种海洋遥感图像语义分割方法,包括:
3、获取待识别海洋遥感图像;
4、将待识别海洋遥感图像输入训练完备的海洋遥感图像语义分割网络中,海洋遥感图像语义分割网络基于十字交叉注意力对待识别海洋遥感图像进行全局上下文信息提取得到多尺度特征图,对多尺度特征图进行空间细节特征提取得到空间细节信息,对多尺度特征图进行级联多尺度融合、特征解码以及双分支通道注意力加权得到特征解码输出,将特征解码输出和空间细节信息拼接后进行语义分割预测得到海洋遥感图像分割结果。
5、进一步的,基于十字交叉注意力对待识别海洋遥感图像进行全局上下文信息提取得到多尺度特征图,包括:
6、对待识别海洋遥感图像进行补丁嵌入得到初步特征图;
7、对初步特征图逐级进行多阶段十字交叉特征提取得到多尺度特征图,多尺度特征图包括第一特征图、第二特征图、第三特征图和第四特征图。
8、进一步的,多阶段十字交叉特征提取中每个阶段包括多个特征提取模块,特征提取模块包括归一化层、十字交叉多头注意力、跳跃连接、归一化层和多层感知操作。
9、进一步的,对多尺度特征图进行空间细节特征提取得到空间细节信息,包括:
10、以第一特征图作为第一空间细节特征提取的特征输入,以第二特征图作为第一空间细节特征提取的指导输入,基于残差卷积进行空间细节特征提取得到第一细节特征;
11、以第一细节特征作为第二空间细节特征提取的特征输入,以第三特征图作为第二空间细节特征提取的指导输入,基于残差卷积进行空间细节特征提取得到第二细节特征;
12、以第二细节特征作为第三空间细节特征提取的特征输入,以第四特征图作为第三空间细节特征提取的指导输入,基于残差卷积进行空间细节特征提取得到空间细节特征。
13、进一步的,基于残差卷积进行空间细节特征,包括:
14、对指导输入进行上采样和卷积后映射操作得到指导特征;
15、将指导特征拼接到特征输入中,连续两次进行卷积、归一化、批正则化和激活函数得到细节特征输出。
16、进一步的,对多尺度特征图进行级联多尺度融合、特征解码以及双分支通道注意力加权得到特征解码输出,包括:
17、对多尺度特征图进行自适应下采样和特征融合得到与各解码阶段对应的融合特征图;
18、对第四特征图逐级与对应的融合特征图拼接后进行特征解码得到各级特征解码图,并基于双分支通道注意力调整特征解码图的特征权重,得到特征解码输出。
19、进一步的,对多尺度特征图进行自适应下采样得到与各解码阶段对应的融合特征图,包括:
20、根据多尺度特征图的尺度排序确定各多尺度特征图对应下采样次数;
21、根据对应下采样次数对多尺度特征图逐级进行对应次数的下采样操作得到多级下采样特征,多级下采样特征与各解码阶段相对应;
22、将不同多尺度特征图下采样得到的对应同一解码阶段的多级下采样特征进行融合得到与各解码阶段对应的融合特征图。
23、进一步的,基于双分支通道注意力调整特征解码图的特征权重,包括:
24、对特征解码图进行初步卷积处理;
25、基于se通道注意力对初步卷积处理后的特征图进行权重提取得到特征权重,根据特征权重对初步卷积处理后的特征图进行初步特征加权;
26、基于稀疏通道注意力对初步卷积处理后的特征图进行稀疏性计算得到通道权重,根据通道权重对初步卷积处理后的特征图进行通道特征加权。
27、另一方面,本专利技术还提供了一种海洋遥感图像语义分割装置,包括:
28、图像获取单元,用于获取待识别海洋遥感图像;
29、语义分割单元,用于将待识别海洋遥感图像输入训练完备的海洋遥感图像语义分割网络中,海洋遥感图像语义分割网络对待识别海洋遥感图像进行全局上下文信息提取得到多尺度特征图,对多尺度特征图进行空间细节特征提取得到空间细节信息,对多尺度特征图进行级联多尺度融合、特征解码以及双分支通道注意力加权得到特征解码输出,将特征解码输出和空间细节信息拼接后进行语义分割预测得到海洋遥感图像分割结果。
30、另一方面,本专利技术还提供了一种电子设备,包括存储器和处理器,其中,
31、存储器,用于存储计算机程序;
32、处理器,与存储器耦合,用于执行计算机程序,以实现上述的海洋遥感图像语义分割方法中的步骤。
33、与现有技术相比,采用上述实施例的有益效果是:本专利技术通过十字交叉注意力来提取海洋遥感图像中的多尺度语义信息,通过双分支通道注意力加权抑制冗余特征和增强细节特征,实现精细化多尺度特征融合,通过级联多尺度融合实现融合浅层空间细节信息和深层次全局上下文信息,实现对海洋遥感图像语义的准确分割。
本文档来自技高网...【技术保护点】
1.一种海洋遥感图像语义分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的海洋遥感图像语义分割方法,其特征在于,所述基于十字交叉注意力对所述待识别海洋遥感图像进行全局上下文信息提取得到多尺度特征图,包括:
3.根据权利要求2所述的海洋遥感图像语义分割方法,其特征在于,所述多阶段十字交叉特征提取中每个阶段包括多个特征提取模块,所述特征提取模块包括归一化层、十字交叉多头注意力、跳跃连接、归一化层和多层感知操作。
4.根据权利要求2所述的海洋遥感图像语义分割方法,其特征在于,所述对所述多尺度特征图进行空间细节特征提取得到空间细节信息,包括:
5.根据权利要求4所述的海洋遥感图像语义分割方法,其特征在于,所述基于残差卷积进行空间细节特征,包括:
6.根据权利要求3所述的海洋遥感图像语义分割方法,其特征在于,所述对所述多尺度特征图进行级联多尺度融合、特征解码以及双分支通道注意力加权得到特征解码输出,包括:
7.根据权利要求6所述的海洋遥感图像语义分割方法,其特征在于,所述对所述多尺度特征图进行自适应下采样得
8.根据权利要求6所述的海洋遥感图像语义分割方法,其特征在于,所述基于双分支通道注意力调整所述特征解码图的特征权重,包括:
9.一种海洋遥感图像语义分割装置,其特征在于,包括:
10.一种电子设备,其特征在于,包括存储器和处理器,其中,
...【技术特征摘要】
1.一种海洋遥感图像语义分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的海洋遥感图像语义分割方法,其特征在于,所述基于十字交叉注意力对所述待识别海洋遥感图像进行全局上下文信息提取得到多尺度特征图,包括:
3.根据权利要求2所述的海洋遥感图像语义分割方法,其特征在于,所述多阶段十字交叉特征提取中每个阶段包括多个特征提取模块,所述特征提取模块包括归一化层、十字交叉多头注意力、跳跃连接、归一化层和多层感知操作。
4.根据权利要求2所述的海洋遥感图像语义分割方法,其特征在于,所述对所述多尺度特征图进行空间细节特征提取得到空间细节信息,包括:
5.根据权利要求4所述的海洋遥感图像语义分割方法,其...
【专利技术属性】
技术研发人员:陈亚雄,王宇杰,袁景凌,熊盛武,
申请(专利权)人:武汉理工大学三亚科教创新园,
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。