CN115641511B - 一种基于感受野提升网络的遥感图像野外建筑分割方法 - Google Patents

一种基于感受野提升网络的遥感图像野外建筑分割方法 Download PDF

Info

Publication number
CN115641511B
CN115641511B CN202211532677.0A CN202211532677A CN115641511B CN 115641511 B CN115641511 B CN 115641511B CN 202211532677 A CN202211532677 A CN 202211532677A CN 115641511 B CN115641511 B CN 115641511B
Authority
CN
China
Prior art keywords
output
representing
receptive field
module
passing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211532677.0A
Other languages
English (en)
Other versions
CN115641511A (zh
Inventor
李冠群
俞伟学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202211532677.0A priority Critical patent/CN115641511B/zh
Publication of CN115641511A publication Critical patent/CN115641511A/zh
Application granted granted Critical
Publication of CN115641511B publication Critical patent/CN115641511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明涉及图像处理技术领域，公开了一种基于感受野提升网络的遥感图像野外建筑分割方法，包括：获取遥感野外建筑图像，根据感受野提升网络得到特征图像，将所述特征图像输入至野外建筑分割网络，得到分割结果。本发明没有使用下采样‑上采样的整体架构，而采取平铺式的网络整体架构，从而避免了信息丢失特征损失的问题；通过构建融合串行与并行双链路的感受野提升模块，并将其为主体构成了本发明所述网络，极大地增大了网络的感受野，使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时，能够参考的更多，考虑的更多，提高对野外遥感图像的建筑物的分割精度。

Description

一种基于感受野提升网络的遥感图像野外建筑分割方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于感受野提升网络的遥感图像野外建筑分割方法。
背景技术
对于建筑物观测是遥感图像中重要的地物信息内容，在城市建设规划、土地利用情况检测统计中起到了重要的作用。近年来，随着深度学习技术的发展，基于深度神经网络进行遥感图像中建筑物的提取分割得到了广泛的研究兴趣，许多此类方法得以提出。
目前有许多基于深度神经网络的遥感图像建筑物提取分割方法，且取得了较好的表现。然而，这些方法主要面向建筑物分布较为集中、密集的地面区域，如城市街区。然而，在面向建筑物分布较为稀疏的地面场景时，比如野外，这些方法仍存在提取分割精度不高的问题。其原因主要包括：（1）其深度网络大多整体上采取-下采样的计算操作，而在进行下采样（例如池化）时，往往存在着信息丢失的问题，进而使得某些细小建筑物被忽略或错检；（2）其深度网络往往感受野较小，无法对较大区域内数量较少分布稀疏的建筑物得到感知。因此，为实现对于建筑物数量较少、分布较为稀疏的遥感图像建筑物分割，本发明提出了一种基于串并行感受野提升网络的遥感图像野外建筑分割方法。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述目的，本发明提供的一种基于感受野提升网络的遥感图像野外建筑分割方法，包括：
获取遥感野外建筑图像；
根据感受野提升网络得到特征图像；
将所述特征图像输入至野外建筑分割网络，得到分割结果。
根据本发明的一个方面，所述根据感受野提升网络得到特征图像的方法为：
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块，将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像；
对所述遥感野外建筑图像进行预处理，其公式为，
Figure DEST_PATH_IMAGE001
；
Figure 319538DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE003
表示遥感野外建筑图像；
Figure 37964DEST_PATH_IMAGE004
表示通过第一个卷积模块后的输出；
Figure DEST_PATH_IMAGE005
表示通过第二个卷积模块后的输出；/>
Figure 240275DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块，其公式为，
Figure DEST_PATH_IMAGE007
；
Figure 148189DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
；
其中，
Figure 74382DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出；
Figure DEST_PATH_IMAGE011
表示通过第二个感受野提升模块后的输出；
Figure 901393DEST_PATH_IMAGE012
表示通过第三个感受野提升模块后的输出；
Figure DEST_PATH_IMAGE013
表示感受野提升模块；
对通过所述卷积模块
Figure 669628DEST_PATH_IMAGE013
表示感受野提升模块和所述感受野提升模块的输出通过所述叠加模块进行叠加，其公式为，
Figure 912391DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
表示通过叠加模块后的输出；
Figure 964529DEST_PATH_IMAGE016
表示叠加模块；
将通过叠加模块后的输出进行精细化处理，其公式为，
Figure DEST_PATH_IMAGE017
；
其中，
Figure 962441DEST_PATH_IMAGE018
表示通过进行精细化处理后的输出；
Figure DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；
对精细化处理后的输出进行第一次特征提取，其公式为，
Figure 217973DEST_PATH_IMAGE020
；
其中，
Figure DEST_PATH_IMAGE021
表示通过第一次特征提取后的输出；
Figure 451377DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出，其公式为，
Figure 577596DEST_PATH_IMAGE022
；
其中，
Figure DEST_PATH_IMAGE023
表示跳转连接后的输出；
对跳转连接后的输出进行第二次特征提取，其公式为，
Figure 871043DEST_PATH_IMAGE024
；
其中，
Figure DEST_PATH_IMAGE025
表示通过第二次特征提取后的输出；/>
Figure 613871DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像，其公式为，
Figure 119808DEST_PATH_IMAGE026
；
其中，
Figure DEST_PATH_IMAGE027
表示特征图像；
Figure 631692DEST_PATH_IMAGE028
表示Sigmoid函数。
根据本发明的一个方面，使用所述感受野提升模块的方法进一步包括，
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路，将通过第二个所述卷积模块后的输出进行预处理，其公式为，
Figure DEST_PATH_IMAGE029
；
其中，
Figure 971406DEST_PATH_IMAGE030
表示通过预处理后的特征；
Figure DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 191078DEST_PATH_IMAGE006
表示尺寸为3×3的卷积。
根据本发明的一个方面，将通过预处理后的特征输入至所述并行感受野提升链路，所述并行感受野提升链路包含四条并行分支，将预处理后的特征输入至四条并行分支，其公式为，
Figure 579334DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE033
；
Figure 132675DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE035
；
其中，
Figure 456340DEST_PATH_IMAGE036
表示通过第一条并行分支后的输出；
Figure DEST_PATH_IMAGE037
表示通过第二条并行分支后的输出；
Figure 688608DEST_PATH_IMAGE038
表示通过第三条并行分支后的输出；
Figure DEST_PATH_IMAGE039
表示通过第四条并行分支后的输出；
Figure 818238DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 22823DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积；
Figure 782968DEST_PATH_IMAGE042
表示池化层；/>
对通过四条并行分支后的输出进行通道级别的叠加操作，其公式为，
Figure DEST_PATH_IMAGE043
；
其中，
Figure 33690DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 639115DEST_PATH_IMAGE044
表示通过叠加后的输出；
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果，其公式为，
Figure DEST_PATH_IMAGE045
；
其中，
Figure 963786DEST_PATH_IMAGE046
表示通过并行感受野提升链路后的计算结果；
Figure 753887DEST_PATH_IMAGE019
表示尺寸为1×1的卷积。
根据本发明的一个方面，将通过预处理后的特征输入至所述串行感受野提升链路，所述串行感受野提升链路包含三个串联组件，将预处理后的特征依次输入至三个串联组件，其公式为，
Figure DEST_PATH_IMAGE047
；
Figure 101692DEST_PATH_IMAGE048
；
Figure DEST_PATH_IMAGE049
；
其中，
Figure 573125DEST_PATH_IMAGE050
表示通过第一个串联组件后的输出；
Figure DEST_PATH_IMAGE051
表示通过第二个串联组件后的输出；
Figure 17881DEST_PATH_IMAGE052
表示通过第三个串联组件后的输出；
Figure 854250DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 300405DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 372266DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure 422261DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积。
根据本发明的一个方面，叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出，其公式为，
Figure DEST_PATH_IMAGE053
；
其中，
Figure 678799DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 610983DEST_PATH_IMAGE054
表示叠加结果；
Figure 220956DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；/>
进行跳转后，得到通过所述感受野提升模块的输出，其公式为，
Figure DEST_PATH_IMAGE055
；
其中，
Figure 905884DEST_PATH_IMAGE054
表示叠加结果；
Figure 552897DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出。
根据本发明的一个方面，使用二元交叉熵损失函数对所述野外建筑分割网络进行训练，其中公式为，
Figure 300273DEST_PATH_IMAGE056
；
其中，
Figure DEST_PATH_IMAGE057
表示损失函数；
Figure 41833DEST_PATH_IMAGE058
表示二元交叉熵计算操作；
Figure DEST_PATH_IMAGE059
表示感受野提升网络参数；
Figure 315689DEST_PATH_IMAGE060
表示分割好的图像。
为实现上述目的，本发明提供一种基于感受野提升网络的遥感图像野外建筑分割系统，包括：
遥感野外建筑图像获取模块：获取遥感野外建筑图像；
特征图像获取模块：根据感受野提升网络得到特征图像；
分割结果获取模块：将所述特征图像输入至野外建筑分割网络，得到分割结果。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于感受野提升网络的遥感图像野外建筑分割方法。
基于此，本发明的有益效果在于：
（1）没有使用下采样-上采样的整体架构，而采取平铺式的网络整体架构，从而避免了信息丢失特征损失的问题；
（2）通过构建融合串行与并行双链路的感受野提升模块，并将其为主体构成了本发明所述网络，极大地增大了网络的感受野，使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时，能够参考的更多，考虑的更多，提高对野外遥感图像的建筑物的分割精度。
附图说明
图1示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的流程图；
图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图；
图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图；
图4示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的流程图，如图1所示，本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法，包括：
获取遥感野外建筑图像；
根据感受野提升网络得到特征图像；
将所述特征图像输入至野外建筑分割网络，得到分割结果。
根据本发明的一个实施方式，图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图，如图2所示，所述根据感受野提升网络得到特征图像的方法为：
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块，将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像；
对所述遥感野外建筑图像进行预处理，其公式为，
Figure 789395DEST_PATH_IMAGE001
；
Figure 430592DEST_PATH_IMAGE002
；
其中，
Figure 507002DEST_PATH_IMAGE003
表示遥感野外建筑图像；
Figure 245151DEST_PATH_IMAGE004
表示通过第一个卷积模块后的输出；
Figure 296283DEST_PATH_IMAGE005
表示通过第二个卷积模块后的输出；
Figure 877306DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块，其公式为，
Figure 367193DEST_PATH_IMAGE007
；
Figure 100794DEST_PATH_IMAGE008
；
Figure 837675DEST_PATH_IMAGE009
；/>
其中，
Figure 781360DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出；
Figure 950304DEST_PATH_IMAGE011
表示通过第二个感受野提升模块后的输出；
Figure 397466DEST_PATH_IMAGE012
表示通过第三个感受野提升模块后的输出；
Figure 311108DEST_PATH_IMAGE013
表示感受野提升模块；
对通过所述卷积模块
Figure 617455DEST_PATH_IMAGE013
表示感受野提升模块和所述感受野提升模块的输出通过所述叠加模块进行叠加，其公式为，
Figure 714724DEST_PATH_IMAGE014
；
Figure 141026DEST_PATH_IMAGE015
表示通过叠加模块后的输出；
Figure 970442DEST_PATH_IMAGE016
表示叠加模块；
将通过叠加模块后的输出进行精细化处理，其公式为，
Figure 888719DEST_PATH_IMAGE017
；
其中，
Figure 648734DEST_PATH_IMAGE018
表示通过进行精细化处理后的输出；
Figure 336067DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；
对精细化处理后的输出进行第一次特征提取，其公式为，
Figure 274067DEST_PATH_IMAGE020
；
其中，
Figure 414062DEST_PATH_IMAGE021
表示通过第一次特征提取后的输出；
Figure 40084DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出，其公式为，
Figure 457290DEST_PATH_IMAGE022
；
其中，
Figure 956404DEST_PATH_IMAGE023
表示跳转连接后的输出；
对跳转连接后的输出进行第二次特征提取，其公式为，
Figure 442749DEST_PATH_IMAGE024
；
其中，
Figure 419933DEST_PATH_IMAGE025
表示通过第二次特征提取后的输出；
Figure 753962DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像，其公式为，
Figure 283032DEST_PATH_IMAGE026
；
其中，
Figure 397619DEST_PATH_IMAGE027
表示特征图像；
Figure 850597DEST_PATH_IMAGE028
表示Sigmoid函数。
根据本发明的一个实施方式，图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图，如图3所示，使用所述感受野提升模块的方法进一步包括，
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路，将通过第二个所述卷积模块后的输出进行预处理，其公式为，
Figure 226083DEST_PATH_IMAGE029
；
其中，
Figure 67001DEST_PATH_IMAGE030
表示通过预处理后的特征；
Figure 340987DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 50186DEST_PATH_IMAGE006
表示尺寸为3×3的卷积。
根据本发明的一个实施方式，将通过预处理后的特征输入至所述并行感受野提升链路，所述并行感受野提升链路包含四条并行分支，将预处理后的特征输入至四条并行分支，其公式为，
Figure 155545DEST_PATH_IMAGE032
；
Figure 42730DEST_PATH_IMAGE033
；
Figure 866329DEST_PATH_IMAGE034
；
Figure 170097DEST_PATH_IMAGE035
；
其中，
Figure 270909DEST_PATH_IMAGE036
表示通过第一条并行分支后的输出；
Figure 188049DEST_PATH_IMAGE037
表示通过第二条并行分支后的输出；
Figure 889158DEST_PATH_IMAGE038
表示通过第三条并行分支后的输出；
Figure 487629DEST_PATH_IMAGE039
表示通过第四条并行分支后的输出；
Figure 302001DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 45835DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure 844027DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积；
Figure 183873DEST_PATH_IMAGE042
表示池化层；
对通过四条并行分支后的输出进行通道级别的叠加操作，其公式为，
Figure 305281DEST_PATH_IMAGE043
；
其中，
Figure 95383DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 725078DEST_PATH_IMAGE044
表示通过叠加后的输出；/>
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果，其公式为，
Figure 258828DEST_PATH_IMAGE045
；
其中，
Figure 234743DEST_PATH_IMAGE046
表示通过并行感受野提升链路后的计算结果；
Figure 539954DEST_PATH_IMAGE019
表示尺寸为1×1的卷积。
根据本发明的一个实施方式，将通过预处理后的特征输入至所述串行感受野提升链路，所述串行感受野提升链路包含三个串联组件，将预处理后的特征依次输入至三个串联组件，其公式为，
Figure 578317DEST_PATH_IMAGE047
；
Figure 305970DEST_PATH_IMAGE048
；
Figure 683862DEST_PATH_IMAGE049
；
其中，
Figure 222291DEST_PATH_IMAGE050
表示通过第一个串联组件后的输出；
Figure 872584DEST_PATH_IMAGE051
表示通过第二个串联组件后的输出；
Figure 216977DEST_PATH_IMAGE052
表示通过第三个串联组件后的输出；
Figure 652638DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 345656DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 499557DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure 382062DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积。
根据本发明的一个实施方式，叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出，其公式为，
Figure 927356DEST_PATH_IMAGE053
；
其中，
Figure 604325DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 979943DEST_PATH_IMAGE054
表示叠加结果；
Figure 666139DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；
进行跳转后，得到通过所述感受野提升模块的输出，其公式为，
Figure 60080DEST_PATH_IMAGE055
；
其中，
Figure 111213DEST_PATH_IMAGE054
表示叠加结果；
Figure 36444DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出。
根据本发明的一个实施方式，使用二元交叉熵损失函数对所述野外建筑分割网络进行训练，其中公式为，
Figure 447702DEST_PATH_IMAGE056
；
其中，
Figure 774779DEST_PATH_IMAGE057
表示损失函数；
Figure 996812DEST_PATH_IMAGE058
表示二元交叉熵计算操作；
Figure 330711DEST_PATH_IMAGE059
表示感受野提升网络参数；
Figure 358710DEST_PATH_IMAGE060
表示分割好的图像。
不仅如此，为实现上述发明目的，本发明还提供一种基于感受野提升网络的遥感图像野外建筑分割系统，图4示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统的流程图，如图4所示，根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统，该系统包括：
遥感野外建筑图像获取模块：获取遥感野外建筑图像；
特征图像获取模块：根据感受野提升网络得到特征图像；
分割结果获取模块：将所述特征图像输入至野外建筑分割网络，得到分割结果。
根据本发明的一个实施方式，图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图，如图2所示，所述根据感受野提升网络得到特征图像的方法为：
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块，将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像；
对所述遥感野外建筑图像进行预处理，其公式为，
Figure 477975DEST_PATH_IMAGE001
；
Figure 933227DEST_PATH_IMAGE002
；
其中，
Figure 20001DEST_PATH_IMAGE003
表示遥感野外建筑图像；
Figure 523795DEST_PATH_IMAGE004
表示通过第一个卷积模块后的输出；
Figure 559884DEST_PATH_IMAGE005
表示通过第二个卷积模块后的输出；
Figure 372988DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块，其公式为，
Figure 494528DEST_PATH_IMAGE007
；
Figure 802012DEST_PATH_IMAGE008
；
Figure 958187DEST_PATH_IMAGE009
；
其中，
Figure 942192DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出；
Figure 488711DEST_PATH_IMAGE011
表示通过第二个感受野提升模块后的输出；/>
Figure 396625DEST_PATH_IMAGE012
表示通过第三个感受野提升模块后的输出；
Figure 594257DEST_PATH_IMAGE013
表示感受野提升模块；
对通过所述卷积模块
Figure 499896DEST_PATH_IMAGE013
表示感受野提升模块和所述感受野提升模块的输出通过所述叠加模块进行叠加，其公式为，
Figure 596028DEST_PATH_IMAGE014
；
Figure 512161DEST_PATH_IMAGE015
表示通过叠加模块后的输出；
Figure 580611DEST_PATH_IMAGE016
表示叠加模块；
将通过叠加模块后的输出进行精细化处理，其公式为，
Figure 719468DEST_PATH_IMAGE017
；
其中，
Figure 224268DEST_PATH_IMAGE018
表示通过进行精细化处理后的输出；
Figure 739563DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；
对精细化处理后的输出进行第一次特征提取，其公式为，
Figure 662519DEST_PATH_IMAGE020
；
其中，
Figure 159228DEST_PATH_IMAGE021
表示通过第一次特征提取后的输出；
Figure 964373DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出，其公式为，
Figure 611255DEST_PATH_IMAGE022
；
其中，
Figure 982194DEST_PATH_IMAGE023
表示跳转连接后的输出；
对跳转连接后的输出进行第二次特征提取，其公式为，
Figure 603799DEST_PATH_IMAGE024
；
其中，
Figure 692978DEST_PATH_IMAGE025
表示通过第二次特征提取后的输出；
Figure 737026DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像，其公式为，
Figure 837837DEST_PATH_IMAGE026
；
其中，
Figure 20557DEST_PATH_IMAGE027
表示特征图像；
Figure 252824DEST_PATH_IMAGE028
表示Sigmoid函数。
根据本发明的一个实施方式，图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图，如图3所示，使用所述感受野提升模块的方法进一步包括，
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路，将通过第二个所述卷积模块后的输出进行预处理，其公式为，
Figure 788979DEST_PATH_IMAGE029
；
其中，
Figure 134510DEST_PATH_IMAGE030
表示通过预处理后的特征；
Figure 612764DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 410956DEST_PATH_IMAGE006
表示尺寸为3×3的卷积。
根据本发明的一个实施方式，将通过预处理后的特征输入至所述并行感受野提升链路，所述并行感受野提升链路包含四条并行分支，将预处理后的特征输入至四条并行分支，其公式为，
Figure 813118DEST_PATH_IMAGE032
；
Figure 872210DEST_PATH_IMAGE033
；
Figure 396732DEST_PATH_IMAGE034
；
Figure 354324DEST_PATH_IMAGE035
；
其中，
Figure 752988DEST_PATH_IMAGE036
表示通过第一条并行分支后的输出；
Figure 807531DEST_PATH_IMAGE037
表示通过第二条并行分支后的输出；
Figure 378321DEST_PATH_IMAGE038
表示通过第三条并行分支后的输出；
Figure 72476DEST_PATH_IMAGE039
表示通过第四条并行分支后的输出；
Figure 144338DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 663175DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure 795079DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积；
Figure 914213DEST_PATH_IMAGE042
表示池化层；
对通过四条并行分支后的输出进行通道级别的叠加操作，其公式为，
Figure 789766DEST_PATH_IMAGE043
；
其中，
Figure 225426DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 652865DEST_PATH_IMAGE044
表示通过叠加后的输出；
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果，其公式为，
Figure 869083DEST_PATH_IMAGE045
；
其中，
Figure 158113DEST_PATH_IMAGE046
表示通过并行感受野提升链路后的计算结果；
Figure 41755DEST_PATH_IMAGE019
表示尺寸为1×1的卷积。
根据本发明的一个实施方式，将通过预处理后的特征输入至所述串行感受野提升链路，所述串行感受野提升链路包含三个串联组件，将预处理后的特征依次输入至三个串联组件，其公式为，
Figure 436834DEST_PATH_IMAGE047
；
Figure 281293DEST_PATH_IMAGE048
；
Figure 498647DEST_PATH_IMAGE049
；
其中，
Figure 95851DEST_PATH_IMAGE050
表示通过第一个串联组件后的输出；
Figure 740459DEST_PATH_IMAGE051
表示通过第二个串联组件后的输出；
Figure 72214DEST_PATH_IMAGE052
表示通过第三个串联组件后的输出；
Figure 749052DEST_PATH_IMAGE031
表示参数整流线性单元；
Figure 607287DEST_PATH_IMAGE006
表示尺寸为3×3的卷积；
Figure 32583DEST_PATH_IMAGE040
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure 710689DEST_PATH_IMAGE041
表示扩张系数为12的尺寸为3×3的扩张卷积。
根据本发明的一个实施方式，叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出，其公式为，
Figure 191218DEST_PATH_IMAGE053
；
其中，
Figure 779325DEST_PATH_IMAGE016
表示通道级别的叠加操作；
Figure 765736DEST_PATH_IMAGE054
表示叠加结果；
Figure 784333DEST_PATH_IMAGE019
表示尺寸为1×1的卷积；
进行跳转后，得到通过所述感受野提升模块的输出，其公式为，
Figure 881602DEST_PATH_IMAGE055
；
其中，
Figure 589795DEST_PATH_IMAGE054
表示叠加结果；
Figure 668478DEST_PATH_IMAGE010
表示通过第一个感受野提升模块后的输出。
根据本发明的一个实施方式，使用二元交叉熵损失函数对所述野外建筑分割网络进行训练，其中公式为，
Figure 321176DEST_PATH_IMAGE056
；/>
其中，
Figure 97502DEST_PATH_IMAGE057
表示损失函数；
Figure 519257DEST_PATH_IMAGE058
表示二元交叉熵计算操作；
Figure 768841DEST_PATH_IMAGE059
表示感受野提升网络参数；
Figure 784202DEST_PATH_IMAGE060
表示分割好的图像。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于感受野提升网络的遥感图像野外建筑分割方法。
基于此，本发明的有益效果在于，没有使用下采样-上采样的整体架构，而采取平铺式的网络整体架构，从而避免了信息丢失特征损失的问题；通过构建融合串行与并行双链路的感受野提升模块，并将其为主体构成了本发明所述网络，极大地增大了网络的感受野，使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时，能够参考的更多，考虑的更多，提高对野外遥感图像的建筑物的分割精度。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (4)

1.一种基于感受野提升网络的遥感图像野外建筑分割方法，其特征在于，包括步骤S1-S3：
S1、获取遥感野外建筑图像；
S2、根据感受野提升网络得到特征图像，包括步骤 S21-S28；所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块；
S21、对所述遥感野外建筑图像进行预处理，其公式为，
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，
Figure QLYQS_3
表示遥感野外建筑图像；
Figure QLYQS_4
表示通过第一个卷积模块后的输出；
Figure QLYQS_5
表示通过第二个卷积模块后的输出；
Figure QLYQS_6
表示尺寸为3×3的卷积；
S22、将通过所述第二个卷积模块后的输出依次输入至三个所述感受野提升模块，
其公式为，
Figure QLYQS_7
；
Figure QLYQS_8
；
Figure QLYQS_9
；
其中，
Figure QLYQS_10
表示通过第一个感受野提升模块后的输出；
Figure QLYQS_11
表示通过第二个感受野提升模块后的输出；
Figure QLYQS_12
表示通过第三个感受野提升模块后的输出；
Figure QLYQS_13
表示感受野提升模块；
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路，使用所述感受野提升模块的方法进一步包括步骤S221-S224；
步骤S221包括 S221-1至S221-4，具体为：
S221-1、将通过所述第二个卷积模块后的输出进行预处理，其公式为，
Figure QLYQS_14
；
其中，
Figure QLYQS_15
表示通过预处理后的特征；
Figure QLYQS_16
表示参数整流线性单元；
S221-2、将通过预处理后的特征输入至所述并行感受野提升链路，所述并行感受野提升链路包含四条并行分支，将预处理后的特征输入至四条并行分支，其公式为，
Figure QLYQS_17
；
Figure QLYQS_18
；
Figure QLYQS_19
；
Figure QLYQS_20
；
其中，
Figure QLYQS_21
表示通过第一条并行分支后的输出；
Figure QLYQS_22
表示通过第二条并行分支后的输出；
Figure QLYQS_23
表示通过第三条并行分支后的输出；
Figure QLYQS_24
表示通过第四条并行分支后的输出；
Figure QLYQS_25
表示扩张系数为6的尺寸为3×3的扩张卷积；
Figure QLYQS_26
表示扩张系数为12的尺寸为3×3的扩张卷积；
Figure QLYQS_27
表示池化层；
S221-3、对通过四条并行分支后的输出进行通道级别的叠加操作，其公式为，
Figure QLYQS_28
；
其中，
Figure QLYQS_29
表示通道级别的叠加操作；
Figure QLYQS_30
表示通过叠加后的输出；
S221-4、对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果，其公式为，
Figure QLYQS_31
；
其中，
Figure QLYQS_32
表示通过并行感受野提升链路后的计算结果；
Figure QLYQS_33
表示尺寸为1×1的卷积；
S222、将通过所述第二个卷积模块的输出输入至所述串行感受野提升链路，所述串行感受野提升链路包含三个串联组件，其公式为，
Figure QLYQS_34
；
Figure QLYQS_35
；/>
Figure QLYQS_36
；
其中，
Figure QLYQS_37
表示通过第一个串联组件后的输出；
Figure QLYQS_38
表示通过第二个串联组件后的输出；
Figure QLYQS_39
表示通过第三个串联组件后的输出；
S223、叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过所述三个串联组件后的输出，其公式为，
Figure QLYQS_40
；
其中，
Figure QLYQS_41
表示叠加结果；
S224、进行跳转后，得到通过所述感受野提升模块的输出，其公式为，
Figure QLYQS_42
；
其中，
Figure QLYQS_43
表示通过第一个感受野提升模块后的输出；
S23、对通过所述第二个卷积模块和所述感受野提升模块的输出通过所述叠加模
块进行叠加，其公式为，
Figure QLYQS_44
；
Figure QLYQS_45
表示通过叠加模块后的输出；
S24、将通过叠加模块后的输出进行精细化处理，其公式为，
Figure QLYQS_46
；
其中，
Figure QLYQS_47
表示通过进行精细化处理后的输出；S25、对精细化处理后的输出进行第一次特征提取，其公式为，
Figure QLYQS_48
；
其中，
Figure QLYQS_49
表示通过第一次特征提取后的输出；
S26、跳转连接通过第一次特征提取后的输出和通过所述第一个卷积模块后的输出，其公式为，
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示跳转连接后的输出；
S27、对跳转连接后的输出进行第二次特征提取，其公式为，
Figure QLYQS_52
；
其中，
Figure QLYQS_53
表示通过第二次特征提取后的输出；
S28、对第二次特征提取后的输出进行 Sigmoid 激活处理得到所述特征图像，其公式为，
Figure QLYQS_54
；/>
其中，
Figure QLYQS_55
表示特征图像；
Figure QLYQS_56
表示Sigmoid函数；
S3、将所述特征图像输入至野外建筑分割网络，得到分割结果。
2.根据权利要求 1 所述的一种基于感受野提升网络的遥感图像野外建筑分割方法，其特征
在于，使用二元交叉熵损失函数对所述野外建筑分割网络进行训练，其中公式为，使用所述
Figure QLYQS_57
；
其中，
Figure QLYQS_58
表示损失函数；
Figure QLYQS_59
表示二元交叉熵计算操作；
Figure QLYQS_60
表示感受野提升网络参数；
Figure QLYQS_61
表示分割好的图像。
3.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的一种基于感受野提升网络的遥感图像野外建筑分割方法。
4.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的一种基于感受野提升网络的遥感图像野外建筑分割方法。
CN202211532677.0A 2022-12-02 2022-12-02 一种基于感受野提升网络的遥感图像野外建筑分割方法 Active CN115641511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211532677.0A CN115641511B (zh) 2022-12-02 2022-12-02 一种基于感受野提升网络的遥感图像野外建筑分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211532677.0A CN115641511B (zh) 2022-12-02 2022-12-02 一种基于感受野提升网络的遥感图像野外建筑分割方法

Publications (2)

Publication Number Publication Date
CN115641511A CN115641511A (zh) 2023-01-24
CN115641511B true CN115641511B (zh) 2023-03-28

Family

ID=84948432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211532677.0A Active CN115641511B (zh) 2022-12-02 2022-12-02 一种基于感受野提升网络的遥感图像野外建筑分割方法

Country Status (1)

Country Link
CN (1) CN115641511B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612493A (zh) * 2022-03-07 2022-06-10 南京理工大学 基于fpga的脉冲神经网路图像分割方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10783640B2 (en) * 2017-10-30 2020-09-22 Beijing Keya Medical Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
US11308714B1 (en) * 2018-08-23 2022-04-19 Athenium Llc Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery
CN114764856A (zh) * 2021-01-13 2022-07-19 华为技术有限公司 图像语义分割方法和图像语义分割装置
CN114612782A (zh) * 2022-03-15 2022-06-10 哈尔滨理工大学 一种基于遥感影像的建筑物检测系统
CN114998587A (zh) * 2022-05-25 2022-09-02 西安建筑科技大学 一种遥感影像建筑物语义分割方法及系统
CN114821069B (zh) * 2022-05-27 2024-04-26 昆明理工大学 融合富尺度特征的双分支网络遥感图像建筑语义分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612493A (zh) * 2022-03-07 2022-06-10 南京理工大学 基于fpga的脉冲神经网路图像分割方法

Also Published As

Publication number Publication date
CN115641511A (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN113780149B (zh) 一种基于注意力机制的遥感图像建筑物目标高效提取方法
CN112347859A (zh) 一种光学遥感图像显著性目标检测方法
CN112561876B (zh) 基于图像的池塘和水库的水质检测方法及系统
CN114898212B (zh) 一种高分辨率遥感图像多地物变化信息提取方法
CN110599502A (zh) 一种基于深度学习的皮肤病变分割方法
CN114332462A (zh) 一种针对大脑病变融入注意力机制的mri分割方法
CN110020658A (zh) 一种基于多任务深度学习的显著目标检测方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN116797787A (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN113222824B (zh) 一种红外图像超分辨率及小目标检测方法
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
CN115641511B (zh) 一种基于感受野提升网络的遥感图像野外建筑分割方法
CN112686184A (zh) 基于神经网络的遥感房屋变化检测方法
CN117173577A (zh) 一种基于改进Swin Transformer的遥感影像建筑物变化检测方法
CN117058367A (zh) 高分辨率遥感影像建筑物语义分割方法及装置
CN116758388A (zh) 基于多尺度模型和残差的遥感图像时空融合方法及装置
CN115797181A (zh) 一种面向矿井模糊环境的图像超分辨率重建方法
CN116012702A (zh) 一种遥感影像场景级变化检测方法
CN115482463A (zh) 一种生成对抗网络矿区土地覆盖识别方法及系统
CN110555342B (zh) 一种图像识别方法、装置和图像设备
CN113343861A (zh) 一种基于神经网络模型的遥感图像水体区域提取方法
CN112464733A (zh) 基于双向特征融合的高分辨率光学遥感图像地物分类方法
CN117788296B (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant