一种多层次特征融合的跨域建筑物提取方法及相关装置制造方法及图纸

本发明专利技术公开了一种多层次特征融合的跨域建筑物提取方法及相关装置，其方法包括：构建跨域建筑提取框架模型，进行场景级特征的学习处理；进行对象级特征的训练学习处理，形成训练后的跨域建筑提取框架模型；将在训练学习时提取到的场景级特征数据以及对象级特征数据输入双向交叉注意力模块中进行特征融合处理，形成融合特征数据；基于融合特征数据对训练后的跨域建筑提取框架模型进行调整处理，形成调整后的跨域建筑提取框架模型；将待识别遥感图像输入调整后的跨域建筑提取框架模型中进行跨域建筑物的特征提取处理。在本发明专利技术实施例中，能够在多个城乡遥感影像数据集上实现更高的建筑物提取精度，表现出了更强的跨域适应能力和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其涉及一种多层次特征融合的跨域建筑物提取方法及相关装置。

技术介绍

1、遥感影像作为一种重要的对地观测数据，能高效地为地球表面提供广泛的空间信息，广泛应用于城市规划、资源管理、环境监测等多个领域。在高分辨率遥感影像中，建筑物作为重要的地物类别，其提取在各类应用中占据着关键地位。传统的建筑物提取方法大致可以分为基于特征的方法、基于图像分割的方法和基于深度学习的方法。其中，基于特征的方法依赖于手工设计特征，尤其是颜色、纹理、形状等特征，用于区分建筑物与背景。这类方法的优点在于直观且计算效率较高，但其性能在复杂场景下较为有限，尤其在建筑物类型多样且背景复杂时，难以提供精准的提取结果。

2、随着深度学习技术的快速发展，基于卷积神经网络（cnn）的方法逐渐成为遥感影像建筑物提取中的主流方法。通过训练深度神经网络，模型能够从大量数据中自动学习有效的特征，无需手工设计特征，从而显著提高了建筑物提取的精度与效率。特别是像u-net和fcn等网络结构，已在遥感影像分析中取得了广泛应用，能够对建筑物进行有效的像素级分割。然而，尽管基于深度本文档来自技高网...

【技术保护点】

1.一种多层次特征融合的跨域建筑物提取方法，其特征在于，所述方法包括：

2.根据权利要求1所述的跨域建筑物提取方法，其特征在于，所述跨域建筑提取框架模型基于对比学习在无标注的城乡遥感图像集中进行场景级特征的学习处理，包括：

3.根据权利要求2所述的跨域建筑物提取方法，其特征在于，所述InfoNCE对比损失函数的公式如下：

4.根据权利要求1所述的跨域建筑物提取方法，其特征在于，所述用SAM模块对无标注的城乡遥感图像进行处理，生成对象级掩膜；所述跨域建筑提取框架模型利用所述对象级掩膜作为监督信号，进行对象级特征的训练学习处理，包括：</p>

5.根据...

【技术特征摘要】

1.一种多层次特征融合的跨域建筑物提取方法，其特征在于，所述方法包括：

2.根据权利要求1所述的跨域建筑物提取方法，其特征在于，所述跨域建筑提取框架模型基于对比学习在无标注的城乡遥感图像集中进行场景级特征的学习处理，包括：

3.根据权利要求2所述的跨域建筑物提取方法，其特征在于，所述infonce对比损失函数的公式如下：

4.根据权利要求1所述的跨域建筑物提取方法，其特征在于，所述用sam模块对无标注的城乡遥感图像进行处理，生成对象级掩膜；所述跨域建筑提取框架模型利用所述对象级掩膜作为监督信号，进行对象级特征的训练学习处理，包括：

5.根据权利要求4所述的跨域建筑物提取方法，其特征在于，所述二元交叉熵损失函数如下：

6.根据权利要求1所述的跨域建筑物提取方法，其特征在于，所述将在...

【专利技术属性】
技术研发人员：阮永俭，张新长，王椰，齐霁，曾帅，阮宝珍，欧佳斌，
申请(专利权)人：广州大学，
类型：发明
国别省市：