【技术实现步骤摘要】
本专利技术涉及图像分类，尤其涉及一种基于双分支融合网络的图像分类方法、装置、设备及介质。
技术介绍
1、在城市建设中，根据不同的标准会将下垫面分为不同类型，但是，因为地物类别较多，且地物边界不够清晰，因此下垫面的自动分类难度较大。现阶段下垫面分类主要通过卷积神经网络完成，但是，现有的卷积神经网络的分类精度较低，难以满足要求，这是因为卷积神经网络在进行下垫面分类时其特征图会逐渐变小，从而造成地物信息的损耗，降低了分类精度。
技术实现思路
1、本专利技术实施例的目的是提供一种基于双分支融合网络的图像分类方法、装置、设备及介质，能够将图像中的空间细节特征和语义特征进行融合，从而减少图像信息的损耗，提高分类精度。
2、为实现上述目的，本专利技术实施例提供了一种基于双分支融合网络的图像分类方法，包括：
3、获取待分类图像；
4、将所述待分类图像输入预先构建的双分支融合网络，得到图像分类结果；其中，所述双分支融合网络包括：
5、语义特征分支，用于从所述待分类图像中提取n个尺度的语义特征图，其中，n为大于1的整数；
6、空间信息分支，用于从所述待分类图像中提取n个尺度的空间细节特征图和边缘细节信息图；
7、特征聚合解码器，用于对所述n个尺度的语义特征图、所述n个尺度的空间细节特征图和所述边缘细节信息图进行聚合和增强，并输出所述图像分类结果。
8、作为上述方案的改进，所述语义特征分支由第一卷积层、池化层和n个残差模
9、采用所述第一卷积层和所述池化层对所述待分类图像进行卷积操作和降采样，得到第一中间特征；
10、将所述第一中间特征依次经过所述n个残差模块进行降采样，得到n个不同分辨率的语义特征图。
11、作为上述方案的改进，所述空间信息分支由第二卷积层和n+1个卷积注意力模块组成，则，所述空间细节特征图通过以下方式提取：
12、采用所述第二卷积层对所述待分类图像进行卷积操作，得到第二中间特征；
13、将所述第二中间特征依次经过所述n+1个卷积注意力模块进行水平空间属性和垂直空间属性的提取，得到n个空间细节特征图。
14、作为上述方案的改进，所述空间信息分支包括边缘引导模块，用于提取所述边缘细节信息图，具体包括：
15、从除了第一层以外的各所述空间细节特征图中提取空间特征信息并进行拼接，得到多尺度目标的边缘信息；
16、将所述边缘信息经过卷积核处理后进行上采样，得到边缘细节信息图。
17、作为上述方案的改进，在所述得到所述边缘细节信息图之后，还包括：
18、采用1×1卷积核将所述边缘细节信息图的特征通道维度调整为1，得到边缘预测图；
19、采用sigmoid函数对所述边缘预测图进行归一化处理，得到边缘权重，以用于指导所述语义特征图和所述空间细节特征图的聚合。
20、作为上述方案的改进，所述特征聚合解码器包括n个状态空间语义特征融合模块和n个方向卷积模块，其中，各所述状态空间语义特征融合模块用于生成相应的最终融合特征，具体包括：
21、基于边缘权重，对所述语义特征图及对应的所述空间细节特征图进行加权求和处理，得到初步融合特征图；其中，所述边缘权重基于所述边缘细节信息图计算得到；
22、对所述语义特征图、所述空间细节特征图和所述初步融合特征图进行求和处理，得到空间注意权重；
23、对所述初步融合特征图和所述空间注意权重进行逐元素相乘，并经过卷积核处理，得到所述最终融合特征。
24、作为上述方案的改进，所述n个方向卷积模块用于对n个所述最终融合特征进行逐层聚合，其中，逐层聚合从第n层开始，至第一层结束，具体包括：
25、采用第n层方向卷积模块对第n层最终融合特征进行上采样，得到第n初步聚合特征；
26、采用第n-1层方向卷积模块对第n-1层最终融合特征和所述第n初步聚合特征进行上采样，得到第n-1初步聚合特征；
27、逐层聚合，直至采用第一层方向卷积模块对第一层最终融合特征和第二初步聚合特征进行上采样，得到最终聚合特征。
28、为实现上述目的，本专利技术实施例还提供了一种基于双分支融合网络的图像分类装置，包括：
29、图像获取模块，用于获取待分类图像；
30、图像分类模块，用于将所述待分类图像输入预先构建的双分支融合网络，得到图像分类结果；其中，所述双分支融合网络包括：
31、语义特征分支，用于从所述待分类图像中提取n个尺度的语义特征图，其中，n为大于1的整数；
32、空间信息分支，用于从所述待分类图像中提取n个尺度的空间细节特征图和边缘细节信息图；
33、特征聚合解码器，用于对所述n个尺度的语义特征图、所述n个尺度的空间细节特征图和所述边缘细节信息图进行聚合和增强，并输出所述图像分类结果。
34、为实现上述目的，本专利技术实施例还提供了一种基于双分支融合网络的图像分类设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的基于双分支融合网络的图像分类方法。
35、为实现上述目的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的基于双分支融合网络的图像分类方法。
36、与现有技术相比，本专利技术实施例提供的基于双分支融合网络的图像分类方法、装置、设备及介质，获取待分类图像；将所述待分类图像输入预先构建的双分支融合网络，得到图像分类结果；其中，所述双分支融合网络包括语义特征分支、空间信息分支和特征聚合解码器，语义特征分支用于从所述待分类图像中提取n个尺度的语义特征图，其中，n为大于1的整数；空间信息分支用于从所述待分类图像中提取n个尺度的空间细节特征图和边缘细节信息图；特征聚合解码器用于对所述n个尺度的语义特征图、所述n个尺度的空间细节特征图和所述边缘细节信息图进行聚合和增强，并输出所述图像分类结果。本专利技术实施例能够从待分类图像中提取空间细节特征和语义特征并进行融合，从而减少图像信息的损耗，提高分类精度。
本文档来自技高网...【技术保护点】
1.一种基于双分支融合网络的图像分类方法，其特征在于，包括：
2.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述语义特征分支由第一卷积层、池化层和N个残差模块组成，则，所述语义特征图通过以下方式提取：
3.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述空间信息分支由第二卷积层和N+1个卷积注意力模块组成，则，所述空间细节特征图通过以下方式提取：
4.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述空间信息分支包括边缘引导模块，用于提取所述边缘细节信息图，具体包括：
5.如权利要求4所述的基于双分支融合网络的图像分类方法，其特征在于，在所述得到所述边缘细节信息图之后，还包括：
6.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述特征聚合解码器包括N个状态空间语义特征融合模块和N个方向卷积模块，其中，各所述状态空间语义特征融合模块用于生成相应的最终融合特征，具体包括：
7.如权利要求6所述的基于双分支融合网络的图像分类方法，其特征
8.一种基于双分支融合网络的图像分类装置，其特征在于，包括：
9.一种基于双分支融合网络的图像分类设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～7任一所述的基于双分支融合网络的图像分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1～7任一所述的基于双分支融合网络的图像分类方法。
...【技术特征摘要】
1.一种基于双分支融合网络的图像分类方法，其特征在于，包括：
2.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述语义特征分支由第一卷积层、池化层和n个残差模块组成，则，所述语义特征图通过以下方式提取：
3.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述空间信息分支由第二卷积层和n+1个卷积注意力模块组成，则，所述空间细节特征图通过以下方式提取：
4.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述空间信息分支包括边缘引导模块，用于提取所述边缘细节信息图，具体包括：
5.如权利要求4所述的基于双分支融合网络的图像分类方法，其特征在于，在所述得到所述边缘细节信息图之后，还包括：
6.如权利要求1所述的基于双分支融合网络的图像分类方法，其特征在于，所述特征聚合解码器包括n个状态空间语义特征融合模块和n...
【专利技术属性】
技术研发人员：刘洋，柳翠明，张天琦，赵林峰，邵振峰，陈可蕴，龙奇勇，唐曾杨，陈国梁，马潮华，
申请(专利权)人：广州市城市规划勘测设计研究院有限公司，
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。