【技術實現步驟摘要】
本專利技術提供了一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，屬于遙感影像道路分割。
技術介紹
1、遙感圖像道路提取任務是一種典型的語義分割任務應用場景，在城市規劃、地圖更新、車輛導航、自動駕駛、軍事偵查、災害預警等眾多應用場景中發揮著核心作用。
2、因算法與算力的發展，目前基于深度學習的遙感影像道路提取方法成為主流。大部分深度學習方法不同程度提升了對遙感圖像中被遮擋道路的恢復能力，但是難以兼顧對不同道路級別的分辨能力。其原因在于大多數研究對跳躍連接改進時，不同階段的特征采用了固定的感受野，靈活度不足；此外，在多尺度上下文提取時直接將傳統注意力機制加入到卷積網絡中，由于二者機制不同，效果欠佳。考慮到上述問題與原因，本專利技術提出了一種基于雙向多層級道路特征動態融合與雙上下文動態提取策略的遙感圖像道路提取算法，在提升道路提取能力的同時，增加對不同道路級別的分辨能力。
技術實現思路
1、本專利技術為了解決目前道路分割網絡存在的易受背景、遮擋與類道路信息干擾且難以區分不同級別道路的問題，提出了一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法。
2、本專利技術采用的技術方案為：一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，包括以下步驟：
3、步驟一：數據集制作：從高分辨率遙感圖像數據集中隨機劃分訓練集和測試集；所述遙感圖像數據集通過遙感衛星獲取，包括原始圖像和經人工標記
4、步驟二：遙感圖像道路分割網絡模型的構建：包括以下步驟：
5、步驟2.1：特征編碼模塊的構建；
6、步驟2.2：雙向多層級道路特征動態融合模塊的構建：所述雙向多層級道路特征動態融合模塊通過設計動態融合模塊用于對多層級特征實施雙向逐級動態融合，所述動態融合模塊包括具有動態感受野的條狀大核空間注意力與有效通道注意力，用于空間與通道維度選擇；
7、該模塊通過對多層級特征實施雙向逐級動態融合，緩解了因連續下采樣而導致的邊緣細節信息損失問題，減少了編碼器與解碼器之間的語義差距，提高了模型對于復雜場景及不同級別道路特征的理解能力；
8、步驟2.3：雙上下文動態提取模塊的構建：所述雙上下文動態提取模塊通過設計條帶空洞輸入依賴卷積，并基于此設計了基于條帶空洞輸入依賴卷積的空洞空間金字塔池化及基于條帶空洞輸入依賴卷積的雙軸注意力機制，分別用于局部多尺度上下文動態提取與全局上下文動態提取，并結合有效通道注意力進行進一步的特征篩選與融合；有效地區分了道路與背景信息，使所提取的道路結構更加完整且連續；
9、步驟2.4：特征解碼模塊的構建；該模塊旨在將雙上下文動態提取模塊輸出的抽象特征映射轉換回與原始圖像相同的空間分辨率；
10、所述特征編碼模塊與特征解碼模塊之間通過雙向多層級道路特征動態融合模塊實現特征的雙向逐級動態融合；融合后的特征經由雙上下文動態提取模塊進行全局與局部多尺度上下文特征的提取；提取結果用于特征解碼模塊進行解碼；
11、步驟三：模型訓練：將預處理后的訓練集數據輸入到所述遙感圖像道路分割網絡中；采用在imagenet-1k數據集上預訓練的resnet-34模型權重初始化所述特征編碼模塊，并隨機初始化其余網絡參數；對所述遙感圖像道路分割網絡進行訓練直至模型收斂；在訓練完成后，保存訓練所得的遙感圖像道路分割網絡模型參數；
12、步驟四：結果預測：將預處理后的遙感道路圖像輸入至所述訓練好的遙感圖像道路分割網絡中，以獲取遙感圖像數據的精確分割結果。
13、所述特征編碼模塊和特征解碼模塊各自由五個階段組成，特征編碼模塊依次包括下采樣模塊、編碼器1、編碼器2、編碼器3及編碼器4；特征解碼模塊依次包括解碼器1、解碼器2、解碼器3、解碼器4及分割頭。
14、所述下采樣模塊為一個步長為2的7×7卷積操作與一個步長為2的3×3最大池化；4個編碼器分別由3、4、6、3個殘差塊堆疊而成，最終輸出4個階段的特征圖，作為多層級道路特征動態融合模塊的輸入進行雙向動態融合；每個殘差塊由兩個3×3的卷積操作與殘差連接構成。
15、4個解碼器均包括1個將通道降為1/4的1×1卷積，與1個步長為2的3×3轉置卷積，以及1個將通道翻倍的1×1卷積，三個卷積后均包括批量歸一化與激活函數relu；最后通過分割頭將解碼器輸出轉化為道路提取結果，所述分割頭由1個步長為2的3×3轉置卷積，與1個3×3卷積以及1個2×2卷積組成。
16、所述雙向多層級道路特征動態融合模塊通過三個下采樣動態融合模塊和三個上采樣動態融合模塊實現對編碼器輸出的多層級特征實施雙向逐級動態融合。
17、所述條狀大核空間注意力包含條狀大核選擇與空間選擇兩個部分；條狀大核選擇使模型能自適應找到最適合當前階段的感受野；空間選擇對條狀大核選擇后得到的特征圖在空間維度進行選擇；
18、所述條狀大核選擇的結構如下：
19、通過對具有不同感受野的2個深度可分離卷積和4組條形深度可分離卷積進行組合，并采用1個1×1卷積進行加權融合；在訓練中，不同階段的動態融合模塊會通過調整對應1×1卷積的權重，使模型能自適應找到最適合當前階段的感受野。
20、所述空間選擇的結構如下：
21、通過對條狀大核選擇階段得到的特征圖進行最大池化，平均池化，以及符合道路特征的條形自適應池化，并通過7×7卷積與sigmod函數激活得到4種不同的空間注意力圖，將其相加后得到最終的空間注意力圖，并對條狀大核選擇后得到的特征圖進行空間選擇。
22、所述條形深度可分離卷積由一橫一縱兩個不同膨脹率的條形空洞深度可分離卷積操作組成，能夠在保持較大感受野的同時，更好的適應道路的形狀特征，同時也減輕了網絡的計算開銷。
23、所述雙上下文動態提取模塊基于條帶空洞輸入依賴卷積設計，由基于條帶空洞輸入依賴卷積的空洞空間金字塔池化、基于條帶空洞輸入依賴卷積的雙軸注意力機制，以及有效通道注意力組成；
24、所述條帶空洞輸入依賴卷積的實現過程如下：
25、通過生成多組靜態可學習參數，并通過條形自適應池化，根據當前輸入為多組靜態可學習參數動態生成對應條形空間注意力圖，將靜態可學習參數與動態生成的對應條形空間注意力圖相乘并求和即可得到條帶空洞輸入依賴卷積的參數。其中靜態可學習參數在完成訓練后保持不變，相當于一組傳統靜態卷積。
26、所述基于條帶空洞輸入依賴卷積的空洞空間金字塔池化模塊的結構如下：
27、由1個1×1卷積，1個全局平均池化與4組膨脹率分別為1、3、6、12的條帶空洞輸入依賴卷積構成，其中每組條帶空洞輸入依賴卷積均包含1個橫向，1個縱向與1個全尺寸的條帶空洞輸入依賴卷積，每個條帶空洞輸入依賴卷積的卷積核尺寸均為3，包含4組靜態本文檔來自技高網...
【技術保護點】
1.一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述特征編碼模塊和特征解碼模塊各自由五個階段組成，特征編碼模塊依次包括下采樣模塊、編碼器1、編碼器2、編碼器3及編碼器4；特征解碼模塊依次包括解碼器1、解碼器2、解碼器3、解碼器4及分割頭。
3.根據權利要求2所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述下采樣模塊為一個步長為2的7×7卷積操作與一個步長為2的3×3最大池化；4個編碼器分別由3、4、6、3個殘差塊堆疊而成；每個殘差塊由兩個3×3的卷積操作與殘差連接構成。
4.根據權利要求2所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：4個解碼器均包括1個將通道降為1/4的1×1卷積，與1個步長為2的3×3轉置卷積，以及1個將通道翻倍的1×1卷積，三個卷積后均包括批量歸一化與激活函
5.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述雙向多層級道路特征動態融合模塊通過三個下采樣動態融合模塊和三個上采樣動態融合模塊實現對編碼器輸出的多層級特征實施雙向逐級動態融合。
6.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述條狀大核空間注意力包含條狀大核選擇與空間選擇兩個部分；條狀大核選擇使模型能自適應找到最適合當前階段的感受野；空間選擇對條狀大核選擇后得到的特征圖在空間維度進行選擇；
7.根據權利要求6所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述條形深度可分離卷積由一橫一縱兩個不同膨脹率的條形空洞深度可分離卷積操作組成。
8.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述雙上下文動態提取模塊基于條帶空洞輸入依賴卷積設計，由基于條帶空洞輸入依賴卷積的空洞空間金字塔池化、基于條帶空洞輸入依賴卷積的雙軸注意力機制，以及有效通道注意力組成；
9.根據權利要求8所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述基于條帶空洞輸入依賴卷積的空洞空間金字塔池化模塊的結構如下：
10.根據權利要求8所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述基于條帶空洞輸入依賴卷積的雙軸注意力機制的結構如下：
...【技術特征摘要】
1.一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述特征編碼模塊和特征解碼模塊各自由五個階段組成，特征編碼模塊依次包括下采樣模塊、編碼器1、編碼器2、編碼器3及編碼器4；特征解碼模塊依次包括解碼器1、解碼器2、解碼器3、解碼器4及分割頭。
3.根據權利要求2所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述下采樣模塊為一個步長為2的7×7卷積操作與一個步長為2的3×3最大池化；4個編碼器分別由3、4、6、3個殘差塊堆疊而成；每個殘差塊由兩個3×3的卷積操作與殘差連接構成。
4.根據權利要求2所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：4個解碼器均包括1個將通道降為1/4的1×1卷積，與1個步長為2的3×3轉置卷積，以及1個將通道翻倍的1×1卷積，三個卷積后均包括批量歸一化與激活函數relu；最后通過分割頭將解碼器輸出轉化為道路提取結果，所述分割頭由1個步長為2的3×3轉置卷積，與1個3×3卷積以及1個2×2卷積組成。
5.根據權利要求1所述的一種結合雙向多層級道路特征動態融合與雙上下文動態提取的遙感影像道路分割方法，其特征在于：所述雙向多層級道路特征...
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。