[发明专利]一种基于稠密边界块和注意力机制的建筑物分割方法

权利要求书

1.一种基于稠密边界块和注意力机制的建筑物分割方法，用于针对遥感图像进行建筑物分割，其特征在于，所述基于稠密边界块和注意力机制的建筑物分割方法，包括：

步骤S1、获取已标记建筑物的遥感图像生成训练集；

步骤S2、构建损失函数，利用所述训练集优化图像分割模型；

步骤S3、利用优化后的图像分割模型处理待分割的遥感图像，输出标记建筑物后的建筑物图，完成建筑物分割；

其中，所述图像分割模型包括依次连接的编码器、跳过连接单元、解码器，所述编码器采用ResNet网络提取遥感图像的特征，所述ResNet网络包括N个卷积层和一个Global Pool层，N个卷积层命名为Res-0至Res-(N-1)，在卷积层Res-0至Res-(N-1)中，前一个卷积层的输出作为后一个卷积层的输入，Res-(N-1)的输出作为GlobalPool层的输入；

所述跳过连接单元包括N个稠密边界块，N个稠密边界块命名为DBB-0至DBB-(N-1)，N个稠密边界块与N个卷积层依据命名编号一对一连接，命名编号相同的卷积层的输出作为稠密边界块的输入，并且在稠密边界块DBB-0至DBB-(N-1)中，前一个稠密边界块的输出同时作为后一个稠密边界块的输入；

所述解码器包括N个通道注意力块，N个通道注意力块命名为CAB-0至CAB-(N-1)，N个通道注意力块与N个稠密边界块依据命名编号一对一连接，命名编号相同的稠密边界块的输出作为通道注意力块的输入，并且在通道注意力块CAB-(N-1)至CAB-0中，前一个通道注意力块的输出同时作为后一个通道注意力块的输入，其中所述Global Pool层的输出作为通道注意力块CAB-(N-1)的输入，通道注意力块CAB-0的输出即为标记建筑物后的建筑物图。

2.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述稠密边界块包括稠密块和边界块；

所述稠密块接收卷积层输出的特征，先经过第一卷积处理层和第二卷积处理层，第二卷积处理层的输出与原始卷积层输出的特征进行一次拼接，一次拼接后的特征经过第三卷积处理层和第四卷积处理层，第四卷积处理层的输出、第二卷积处理层的输出、以及原始卷积层输出的特征进行二次拼接，二次拼接后的特征作为所述稠密块的输出；

所述边界块接收稠密块输出的特征，经过1*1的卷积层、ReLu激活函数，随后经过Deconv2d反卷积层、ReLu激活函数、BatchNorm层，输出的特征与前一个稠密边界块的输出进行叠加融合，将叠加融合后的特征再次经过1*1的卷积层后作为该稠密边界块的输出。

3.如权利要求2所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述第一卷积处理层和第三卷积处理层为归一化、ReLu激活函数和1x1的卷积，第二卷积处理层和第四卷积处理层为归一化、ReLu激活函数和3x3的卷积。

4.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述通道注意力块接收稠密边界块输出的特征以及前一通道注意力块输出的特征，以稠密边界块输出的特征为低级特征，以前一通道注意力块输出的特征为高级特征；

将高级特征和低级特征混合，利用全局池化层将混合后的特征的尺寸降为1，后经过1*1的卷积层、ReLu激活函数、Batch Norm、*1的卷积层后得到特征图，将特征图经过一个Sigmoid激活函数后产生一个对应各个通道的得分图，将得分图与所述低级特征进行乘法操作后与原有输入的高级特征融合，融合后的特征作为该通道注意力块的输出。

5.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述N个通道注意力块中，按照数据传递方向，每个通道注意力块前还连接有一个反卷积层。

6.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述步骤S2利用所述训练集优化图像分割模型，包括：

基于所述训练集，采用随机梯度下降法优化图像分割模型。

7.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述构建损失函数，包括：

L＝(1-W)×H-W×logIOU

式中，L为所构建的损失函数，W为权重系数，H为二进制交叉损失函数，IOU为平均IOU，指两个区域的重叠区域在两个区域中所占比例；

其中，二进制交叉损失函数H的公式如下：

其中，n为遥感图像的数量，y_i是基本事实，是实际预测结果；

平均IOU的计算公式如下：

其中，mean IOU为平均IOU，TP表示正确的正样本的数量，FP表示正确的负样本的数量，FN表示错误的负样本的数量。