【技術實現步驟摘要】
本專利技術涉及計算機視覺領域，具體為面向滑坡場景的高分辨率語義分割網絡。
技術介紹
1、滑坡是一種常見的地質災害，對世界各地的自然環境、財產和人身安全造成嚴重破壞。中國的滑坡災害主要分布在西南、西北、東南和中南地區，空間分布具有明顯的區域性特點。全國在冊滑坡災害隱患點約15萬處，占全部地質災害隱患點總數的50％以上，分布在31個省區市的2?000多個縣(區)，截至2020年底，全國共有地質災害隱患點328654處，潛在威脅1399萬人和6053億元財產的安全，其中占比最大的地質災害——滑坡有130202處。因此，如何及時準確識別滑坡區域并開展救災工作是重中之重。
2、近年來，得益于深度卷積神經網絡在特征提取和語義理解的強大能力，基于深度神經網絡的語義分割技術逐漸成為計算機視覺研究的熱點課題，研究人員逐漸開始采用語義分割技術對滑坡區域進行分析，解決滑坡區域定位以及面積估計等問題。然而，由于滑坡的復雜性和多樣性，相關研究存在以下三個問題：(1)目前可以直接用于深度學習訓練的滑坡數據集不多；(2)遙感滑坡影像中舊滑坡區域與背景特征相近，一般的語義分割模型不能準確地分割出舊滑坡的邊界；(3)遙感滑坡圖像中的冗余信息會造成小尺度滑坡區域份分割的漏檢。
3、針對現有技術不足，我們提出一種適用于滑坡場景的高分辨率語義分割網絡，增強了滑坡分割的準確率，改善了小尺度滑坡的漏檢問題。
技術實現思路
1、針對現有技術的不足，本專利技術提供了一種改進的高分辨率滑坡場景語義分割網絡，
2、為實現以上目的，本專利技術通過以下技術方案予以實現：一種改進的高分辨率滑坡場景語義分割網絡，包括高分辨率滑坡場景語義分割網絡上的高分辨網絡(hr-net)，通過在所述高分辨網絡(hr-net)的基礎上，使用殘差模塊(res-net)對圖像信息進行特征提取，堆疊特征提取層的層數，加深hr-net網絡結構，所述網絡主干用于提取更深層的語義信息；
3、所述在主干網絡提取的特征圖后引入通道注意力機制－-se-net模塊，所述se-net模塊用于提高特征圖的表征質量。
4、優選的，所述在高分辨網絡的網絡基礎上選擇殘差模塊作為特征提取網絡，所述殘差模塊在原有網絡只有一個階段3和階段4模塊的基礎上，增加特征提取模塊的數量并對每個模塊進行特征融合，所述殘差模塊便于有效地提升網絡提取圖像特征的能力。
5、優選的，通過堆疊所述階段3與階段4的網絡模塊，所述階段3模塊提取的是原圖與原圖經過兩次下采樣的特征信息，階段4模塊提取的是原圖與原圖經過三次下采樣的特征信息。
6、優選的，為了增加所述網絡的深度，提升高分辨網絡對滑坡區域的分割能力同時避免過深的網絡導致過擬合，采用所述4個階段3模塊與3個階段4模塊進行堆疊。
7、優選的，所述新增加的網絡模塊之間添加有融合層，所述融合層用于進行特征融合并將不同尺度的特征進行融合可以得到更具表征能力的特征圖，從而提高網絡的分割性能。
8、優選的，所述主干網絡的第三和第四級特征圖后引入通道注意力機制－-se-net模塊，所述se-net模塊在增加少量參數的情況下，通過增強卷積操作產生的特征之間的相互依賴性，有效提高了神經網絡生成的特征表示質量。
9、優選的，該文將提出所述se注意力機制模型在黃土高原滑坡數據集上，通過voc數據集格式使用二分類交叉損失函數和組成聯合損失函數用于網絡訓練，所述聯合損失函數用于衡量模型學習到的分布和真實分布的差異并計算公式。
10、優選的，所述se注意力機制用于提高特征圖表征質量的計算步驟如下：
11、
12、先對所述的特征圖合并壓縮，將特征圖的矩陣大小從h×w×c，變為1×1×c，計算公式如上式所示；
13、s＝fex(z,w)＝σ[g(z,w)]＝σ[w2δ(w1,z)]
14、再進行所述的激勵操作，使用全連接層，每個通道都生成一個權值，并歸一化，同時生成的也是1×1×c大小的權值矩陣，計算公式如上式所示；
15、xc＝f?scale(uc,s)＝scuc
16、最后執行所述scale操作，將原特征矩陣乘以權重矩陣[h,w,c]×[1,1,c]＝[h,w,c]，得到具有權重的特征圖，增強滑坡特征，抑制背景特征；計算公式如上式所示。
17、本專利技術公開了一種改進的高分辨率滑坡場景語義分割網絡，其具備的有益效果如下：該一種改進的高分辨率滑坡場景語義分割網絡，該文基于黃土高原滑坡遙感影像，構建滑坡場景數據集，利用dhrse-net模型增強對深層語義信息的提取，提出了加深網絡主干與添加注意力機制，并對模型結構進行了優化，加入了se注意力機制來將更多的資源使用在有效分割上；
18、將dhrse-net模型與基線模型在滑坡數據集上進行消融實驗分析，并且與u-net、deeplabv3+、pspnet三種分割網絡進行實驗對比，實驗結果表明，該文所研究算法在分割舊滑坡以及分割多處滑坡時分割效果更加準確，性能優于其他網絡；
19、另外，受實際應用條件的限制，分割速度快，結構更加輕量化的網絡模型更加貼近實際的應用場景，因此在今后的工作中將網絡的輕量化進行研究。
本文檔來自技高網...【技術保護點】
1.一種改進的高分辨率滑坡場景語義分割網絡，包括高分辨率滑坡場景語義分割網絡上的高分辨網絡(HR-Net)，其特征在于，通過在所述高分辨網絡(HR-Net)的基礎上，使用殘差模塊(Res-Net)對圖像信息進行特征提取，堆疊特征提取層的層數，加深HR-Net網絡結構，所述網絡主干用于提取更深層的語義信息；
2.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：所述在高分辨網絡的網絡基礎上選擇殘差模塊作為特征提取網絡，所述殘差模塊在原有網絡只有一個階段3和階段4模塊的基礎上，增加特征提取模塊的數量并對每個模塊進行特征融合，所述殘差模塊便于有效地提升網絡提取圖像特征的能力。
3.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：通過堆疊所述階段3與階段4的網絡模塊，所述階段3模塊提取的是原圖與原圖經過兩次下采樣的特征信息，階段4模塊提取的是原圖與原圖經過三次下采樣的特征信息。
4.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：為了增加所述網絡的深度，提升高分辨網絡對滑坡區域的分割
5.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：所述新增加的網絡模塊之間添加有融合層，所述融合層用于進行特征融合并將不同尺度的特征進行融合得到更具表征能力的特征圖，從而提高網絡的分割性能。
6.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：所述主干網絡的第三和第四級特征圖后引入通道注意力機制－-SE-Net模塊，所述SE-Net模塊在增加少量參數的情況下，通過增強卷積操作產生的特征之間的相互依賴性，有效提高了神經網絡生成的特征表示質量。
7.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：該文將提出所述SE注意力機制模型在黃土高原滑坡數據集上，通過VOC數據集格式使用二分類交叉損失函數和組成聯合損失函數用于網絡訓練，所述聯合損失函數用于衡量模型學習到的分布和真實分布的差異并計算公式。
8.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：所述SE注意力機制用于提高特征圖表征質量的計算步驟如下：
...【技術特征摘要】
1.一種改進的高分辨率滑坡場景語義分割網絡，包括高分辨率滑坡場景語義分割網絡上的高分辨網絡(hr-net)，其特征在于，通過在所述高分辨網絡(hr-net)的基礎上，使用殘差模塊(res-net)對圖像信息進行特征提取，堆疊特征提取層的層數，加深hr-net網絡結構，所述網絡主干用于提取更深層的語義信息；
2.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：所述在高分辨網絡的網絡基礎上選擇殘差模塊作為特征提取網絡，所述殘差模塊在原有網絡只有一個階段3和階段4模塊的基礎上，增加特征提取模塊的數量并對每個模塊進行特征融合，所述殘差模塊便于有效地提升網絡提取圖像特征的能力。
3.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：通過堆疊所述階段3與階段4的網絡模塊，所述階段3模塊提取的是原圖與原圖經過兩次下采樣的特征信息，階段4模塊提取的是原圖與原圖經過三次下采樣的特征信息。
4.根據權利要求1所述的一種改進的高分辨率滑坡場景語義分割網絡，其特征在于：為了增加所述網絡的深度，提升高分辨網絡對滑坡區域的分割能力同時避免過深的網絡...
【專利技術屬性】
技術研發人員：彭桐睿，樓梓琛，武鳳梅，孫輝，穆罕默德奧斯曼托奇，
申請(專利權)人：無錫音瓶科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。