[发明专利]基于区域注意力多尺度特征融合的遥感图像语义分割方法

权利要求书

1.一种基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，包括以下步骤：

S1、构建针对遥感图像语义分割网络的网络模型；该步骤S1具体包括以下步骤：

S11、选取遥感图像语义分割的主干网络；

S12、采用增强的GCN模块使选取的主干网络得到进一步的改进；

S13、提出一种区域注意力模块，该区域注意力模块可以将不同的权重分配给特征层中的不同区域，主要用于自适应融合具有详细位置信息的低级特征图和具有抽象全局信息的高级特征图；

S14、设计一种多尺度组融合模块，该多尺度组融合模块充当编码器和解码器之间的桥梁，用于融合不同接受领域的特征为具有丰富语义信息的特征；

S2、构建训练数据集，并对收集训练用的数据集进行预处理；该步骤S2具体包括以下步骤：

S21、收集训练用的遥感图像构建训练用的数据集，对数据集的标签进行预处理，即先转化为最大值为类别数的索引图，再将索引图进行one-hot编码；

S22、将收集训练用的遥感图像随机裁剪为固定尺寸的大小；

S23、在收集训练用的遥感图像上进行镜像、旋转、亮度调节等增强处理；

S3、将训练用的数据集输入网络模型进行训练，获得训练参数后并进行预测结果；该步骤S3具体包括以下步骤：

S31、将训练用的数据集输入语义分割网络，得到每张遥感图像的语义分割结果；

S32、使用平均交并比MeanIOU、得分F1、像素精度PA作为评价指标来评价语义分割网络的性能。

2.根据权利要求1所述的基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，步骤S11包括以下步骤：

S111、选择输入的主干网络为深度残差网络ResNet50；

S112、使用三个3×3卷积层来取代深度残差网络第一阶段的7×7的卷积层，并取消block4中的池化层采用膨胀率为8的空洞卷积来补充取消下采样后的感受野和非线性；

S113、深度残差网络ResNet50最后的block5输出的特征图增加辅助损失，并将其权重设置为0.4。

3.根据权利要求2所述的基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，所述辅助损失的函数L_pri为：

其中，M表示类别数，为one-hot向量，即元素只取0、1，若与样本类别相同则取1，否则取0。

4.根据权利要求3所述的基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，所述辅助损失为设定损失的一部分，所述设定损失为包括主损失和所述辅助损失的加权和，所述设定损失的函数为：

L_total＝αL_pri+βL_aux；

其中，α、β为平衡所述主损失和所述辅助损失两个损失的超参数，设定为α＝1，β＝0.4。

5.根据权利要求1所述的基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，步骤S12包括以下步骤：

S121、采用非对称1×k+k×1、1×s+s×1卷积的组合，该组合具有与特征图中k×k卷积一样大的密集区域；

S122、设置第一组非对称卷积的尺寸为1×11+11×1，第二组非对称卷积的尺寸为1×9+9×1；

S123、将第一组非对称1×11+11×1的两组特征图相加；

S124、将第二组非对称1×9+9×1的两组特征图相加；

S125、融合第一组和第二组两组卷积的输出的特征。

6.根据权利要求1所述的基于区域注意力多尺度特征融合的遥感图像语义分割方法，其特征在于，步骤S13包括以下步骤：

S131、将增强的GCN模块的输出特征图输入提出的区域注意力模块；

S132、区域注意力模块将自适应地为输入特征图的每一个通道的不同区域分配权重；

S133、输入的特征图和区域注意力模块分配的权重相乘，根据贡献的大小为每个特征区域的分配不同的权重；

S134、输出每个区域都有不同权重的特征图。