【技术实现步骤摘要】
本专利技术涉及图像处理的，具体来说，是一种低空遥感图像实时语义分割方法。
技术介绍
1、随着航天技术不断发展，高分辨率遥感图像已经可以清晰反映物体的几何结构和丰富的空间信息，遥感图像分割技术在情报侦察、农业生产、地形测绘及日常生活等领域都发挥着重要作用；而遥感图像语义分割是依靠图像的位置信息、光谱等浅层次特征以及抽象语义特征对待识别区域进行分割，得到每个像素的语义真值；传统的语义分割方法往往因为参数量大，在实际应用时存在很大的局限性；而轻量语义分割网络能够提高实时推理速度，但常常为提高效率而牺牲准确性，应用于低空遥感图像分割效果不佳。
2、遥感图像由于“同物异谱”、“同谱异物”现象导致物体辨别困难，且阴影和物体之间相互遮挡导致的不同类地物间差异较小，此外遥感目标自身具有小尺寸、多尺度、密集分布等特点，特征提取过程中的池化等操作在扩大感受野时会降低图像分辨率，容易丢失目标特征信息，因此分割效果并不理想；虽然bisenet v2能够一定程度上能有效提取物体差异化特征，但因忽视特征图通道与位置特征信息跨纬度交互导致应用于低空遥感图像时分割结果较为粗糙，存在边缘分割定位精度低和小目标分割准确性的等问题。
技术实现思路
1、本专利技术提供一种低空遥感图像实时语义分割方法，解决现有bisenet v2算法应用于低空遥感图像分割时存在边缘定位精度低和小目标分割准确性差等技术问题。
2、本专利技术可以通过以下技术方案实现：
3、一种用于低空遥感图像的实时语义分割
4、进一步，所述语义分支依次包括第一单元和三个结构相同的第二单元，所述第一单元依次包括经过legonet卷积单元优化后的stem模块、两个步长为1的轻量残差模块、三重注意力模块，所述第一单元依次包括步长为2和步长为1的轻量残差模块、三重注意力模块。
5、进一步，步长为2的轻量残差模块首先将原始特征图经过卷积核大小为3×3、步长为2的legonet卷积单元，其次通过relu非线性激活函数层，接着经过卷积核大小为3×3的legonet卷积单元得到输出特征图，然后将原始特征图经过卷积核大小为1×1、步长为2的传统升维卷积层后与输出特征图进行shortcut连接，最后经过relu非线性激活函数层得到最终特征图；
6、步长为1的轻量残差模块首先将原始特征图依次通过卷积核大小为3×3的legonet卷积层、relu非线性激活函数层以及卷积核大小为3×3的legonet卷积层得到输出特征图，然后将原始特征图与输出特征图进行残差shortcut连接，最后经过relu非线性激活函数层得到最终特征图。
7、进一步，利用语义分支，首先将分辨率为1024×512×3的输入图像依次经过legonet卷积单元优化后的stem模块、2个步长为1的轻量残差模块、三重注意力模块，生成分辨率大小为256×128×16的特征图；
8、接着将256×128×16的特征图依次通过步长为2和步长为1的轻量残差模块、三重注意力模块生成128×64×32的特征图；接着将128×64×32的特征图依次通过步长为2和步长为1的轻量残差模块、三重注意力模块生成64×32×64的深层特征图；接着将64×32×64的特征图依次通过步长为2和步长为1的轻量残差模块、三重注意力模块生成32×16×128的语义特征图；
9、利用细节分支，首先将分辨率为1024×512×3的输入图像进行两次legonet卷积生成512×256×32的特征图；然后将512×256×32的特征图进行三次legonet卷积生成256×128×64的特征图；最后将256×128×64的特征图进行三次legonet卷积生成128×64×128的细节特征图。
10、进一步，所述自适应阈值损失函数的表达式为：
11、
12、其中，l表示总损失函数，lm表示主损失函数，li表示第i个阶段辅助损失函数，xi表示第i个阶段的特征图；主损失函数和辅助损失函数表达式为：
13、
14、其中m表示像素点总数量，c表示总类别数目，yi表示第i个像素点标签值，ε{}表示满足条件时取1否则为0，pij表示第i个像素点预测为第j类的概率值，λ表示自适应阈值。
15、本专利技术有益的技术效果在于：
16、1)采用包含legonet卷积单元和三重注意力模块的轻量残差结构网络作为语义分支的特征提取网络，保留深层特征图细节信息，增强模型对遥感图像边缘区域及小目标的特征提取感知能力；
17、2)利用legonet卷积单元优化细节分支，在保证模型特征提取能力的同时进一步使算法轻量化，满足高分辨率航拍图像实时分割要求；
18、3)采用自适应阈值损失函数监督网络训练，进一步迫使网络更关注像素比例较少、区域独立的小目标。
本文档来自技高网...【技术保护点】
1.一种用于低空遥感图像的实时语义分割方法，其特征在于：将细节分支中的卷积单元用LegoNet卷积单元进行优化，同时语义分支采用包含LegoNet卷积单元优化后的Stem模块、轻量残差模块以及三重注意力模块的轻量残差结构网络，以构建改进的BiSeNet V2网络模型，然后以改进的BiSeNet V2网络模型作为分割网络模型，提取低空遥感图像的细节特征和语义特征，通过引导聚合层对细节特征和语义特征进行加权融合，同时利用双线性插值恢复至图像原始分辨率大小，并且基于自适应阈值损失函数为每个像素点分类，最终完成分割。
2.根据权利要求1所述的低空遥感图像实时语义分割方法，其特征在于：所述语义分支依次包括第一单元和三个结构相同的第二单元，所述第一单元依次包括经过LegoNet卷积单元优化后的Stem模块、两个步长为1的轻量残差模块、三重注意力模块，所述第一单元依次包括步长为2和步长为1的轻量残差模块、三重注意力模块。
3.根据权利要求2所述的低空遥感图像实时语义分割方法，其特征在于：步长为2的轻量残差模块首先将原始特征图经过卷积核大小为3×3、步长为2的LegoNe
4.根据权利要求2所述的低空遥感图像实时语义分割方法，其特征在于：利用语义分支，首先将分辨率为1024×512×3的输入图像依次经过LegoNet卷积单元优化后的Stem模块、2个步长为1的轻量残差模块、三重注意力模块，生成分辨率大小为256×128×16的特征图；
5.根据权利要求1所述的低空遥感图像实时语义分割方法，其特征在于：所述自适应阈值损失函数的表达式为：
...【技术特征摘要】
1.一种用于低空遥感图像的实时语义分割方法，其特征在于：将细节分支中的卷积单元用legonet卷积单元进行优化，同时语义分支采用包含legonet卷积单元优化后的stem模块、轻量残差模块以及三重注意力模块的轻量残差结构网络，以构建改进的bisenet v2网络模型，然后以改进的bisenet v2网络模型作为分割网络模型，提取低空遥感图像的细节特征和语义特征，通过引导聚合层对细节特征和语义特征进行加权融合，同时利用双线性插值恢复至图像原始分辨率大小，并且基于自适应阈值损失函数为每个像素点分类，最终完成分割。
2.根据权利要求1所述的低空遥感图像实时语义分割方法，其特征在于：所述语义分支依次包括第一单元和三个结构相同的第二单元，所述第一单元依次包括经过legonet卷积单元优化后的stem模块、两个步长为1的轻量残差模块、三重注意力模块，所述第一单元依次包括步长为2和步长为1的轻量残差模块、三重注意力模...
【专利技术属性】
技术研发人员：高玮玮，樊博，方宇，张海峰，范狄庆，刘欣荣，沙玲，杨皓，
申请(专利权)人：上海工程技术大学，
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。