一种基于卷积网络的大幅遥感网络图像桥梁分割方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
背景技术
桥梁是采用遥感图像进行地面监测的重要内容之一,在军事和民事上均有着广泛的应用和实际意义。目前基于深度学习的遥感图像分割方法主要集中于一些典型目标,包括陆地、农田、水面等。而桥梁目标具有独特的特点,往往桥梁目标在遥感图像,尤其是大幅遥感图像中的占比很小,且呈现细长状、条状。这使得现有的方法难以在通过大幅遥感图像对桥梁目标实现高精度的分割。
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,提供一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
为实现上述目的,本发明提供的一种基于卷积网络的大幅遥感网络图像桥梁分割方法,包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像;
其中,重校准扩张卷积网络包括编码器和解码器;
编码器由重校准扩张卷积模块和最大池化操作组成。
根据本发明的一个方面,大幅遥感网络图像桥梁分割方法还包括:
对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练;
基于训练后的重校准扩张卷积网络对大幅遥感图像进行桥梁分割测试,得到分割测试后的大幅遥感图像。
根据本发明的一个方面,通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理包括:
在重校准扩张卷积模块下采样空间内采用卷积进行预处理,并使用双线性插值使重校准扩张卷积模块上采样回原始的空间尺寸,再使用
;
其中,
表示进入下采样空间所采用的平均池化,
表示在下采样空间内进行预处理而使用的卷积,/>
表示双线性插值操作,
表示提取到的校准所用的权重;
提取权重后利用矿长率为
;
其中,
和/>
表示修正线性单元激活层;
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行重校准处理的过程可形式化的总结为,
;
其中,
表示重校准扩张卷积模块的大幅遥感网络图像第二特征。
根据本发明的一个方面,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像包括:
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割过程中,包括五个编码器和五个解码器对大幅遥感图像的处理过程;
五个编码器均由一个重校准扩张卷积模块和一个最大化操作构成,五个编码器设置的扩张率分别为1、2、4、8和16,五个编码器前后衔接,前一个的输出即为下一个的输入,通过五个编码器的处理过程形式化的表示为,
;
;
;
;
;
其中,
表示大幅遥感网络图像,
,/>
五个解码器均由一个重校准扩张卷积模块和一个转置卷积组成,五个解码器前后衔接,通过五个解码器的处理过程形式化的表示为,
;
;
;
;
;
其中,
表示多个特征的通道叠加操作,
,/>
其中,第一个解码器的输入为第五个编码器的输出,第二个至第五个解码器各自的输入分别为前一个解码器的第二特征和相同级别编码器的第二特征的通道叠加结果,第五个解码器的第二特征
根据本发明的一个方面,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像的过程形式化的总结为:
;
其中,
表示与输入大幅遥感图像/>
根据本发明的一个方面,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
采用二元交叉熵损失和骰子损失构成总体损失函数并对重校准扩张卷积网络进行训练,具体过程表示为,
;
;
;
其中,
表示二元交叉熵计算操作,
表示骰子系数计算操作,
表示二元交叉熵损失,
表示骰子损失,
示总体损失;
通过总体损失函数对重校准扩张卷积网络进行桥梁分割训练,总体损失下降趋势达到稳定时,重校准扩张卷积网络训练完毕。
根据本发明的一个方面,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
利用训练完毕的重校准扩张卷积网络,对测试的大幅遥感图像进行桥梁分割预测,该过程形式化的表示为,
;
其中,
表示训练完毕的重校准扩张卷积网络,
表示与其对应的桥梁分割结果。
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上述针对一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
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卷积网络的大幅遥感网络图像桥梁分割方法。
基于此,本发明的有益效果在于:
本发明提出的多层重校准扩张卷积网络能够由浅入深地、感受野由小变大地提取大幅遥感图像的不同尺度的特征,同时能够相应地在不同深度和不同大小感受野时提取相应地特征权重,进而对特征进行重校准。从而能够在大幅遥感图像中,准确地对占幅比较很小的桥梁区域进行分割。
附图说明
图1示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的流程图;
图2示意性表示根据本发明的注意力重校准扩张卷积模块示意图;
图3示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的结构示意图。
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卷积网络的大幅遥感网络图像桥梁分割方法的流程图,图2示意性表示根据本发明的注意力重校准扩张卷积模块示意,图3示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的结构示意图;如图1所示,本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法,包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像;
其中,重校准扩张卷积网络包括编码器和解码器;
编码器由重校准扩张卷积模块和最大池化操作组成。
根据本发明的一个实施方式,大幅遥感网络图像桥梁分割方法还包括:
对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练;
基于训练后的重校准扩张卷积网络对大幅遥感图像进行桥梁分割测试,得到分割测试后的大幅遥感图像。
根据本发明的一个实施方式,通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理包括:
在重校准扩张卷积模块下采样空间内采用卷积进行预处理,并使用双线性插值使重校准扩张卷积模块上采样回原始的空间尺寸,再使用
;
其中,
表示进入下采样空间所采用的平均池化,
表示在下采样空间内进行预处理而使用的卷积,
表示双线性插值操作,
表示提取到的校准所用的权重;
提取权重后利用矿长率为
;
其中,
和/>
表示修正线性单元激活层;
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行重校准处理的过程可形式化的总结为,
;
其中,
表示重校准扩张卷积模块的大幅遥感网络图像第二特征。/>
根据本发明的一个实施方式,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像包括:
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割过程中,包括五个编码器和五个解码器对大幅遥感图像的处理过程;
五个编码器均由一个重校准扩张卷积模块和一个最大化操作构成,五个编码器设置的扩张率分别为1、2、4、8和16,五个编码器前后衔接,前一个的输出即为下一个的输入,通过五个编码器的处理过程形式化的表示为,
;
;
;
;
;
其中,
表示大幅遥感网络图像,
,/>
五个解码器均由一个重校准扩张卷积模块和一个转置卷积组成,五个解码器前后衔接,通过五个解码器的处理过程形式化的表示为,
;
;
;
;
;
其中,
表示多个特征的通道叠加操作,
,/>
其中,第一个解码器的输入为第五个编码器的输出,第二个至第五个解码器各自的输入分别为前一个解码器的第二特征和相同级别编码器的第二特征的通道叠加结果,第五个解码器的第二特征
根据本发明的一个实施方式,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像的过程形式化的总结为:
;
其中,
表示与输入大幅遥感图像/>
根据本发明的一个实施方式,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
采用二元交叉熵损失和骰子损失构成总体损失函数并对重校准扩张卷积网络进行训练,具体过程表示为,
;
;
;
其中,
表示二元交叉熵计算操作,
表示骰子系数计算操作,
表示二元交叉熵损失,
表示骰子损失,
示总体损失;
通过总体损失函数对重校准扩张卷积网络进行桥梁分割训练,总体损失下降趋势达到稳定时,重校准扩张卷积网络训练完毕。
根据本发明的一个实施方式,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
利用训练完毕的重校准扩张卷积网络,对测试的大幅遥感图像进行桥梁分割预测,该过程形式化的表示为,
;
其中,
表示训练完毕的重校准扩张卷积网络,
表示与其对应的桥梁分割结果。
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一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
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卷积网络的大幅遥感网络图像桥梁分割方法。
基于此,本发明的有益效果在于,本发明提出的多层重校准扩张卷积网络能够由浅入深地、感受野由小变大地提取大幅遥感图像的不同尺度的特征,同时能够相应地在不同深度和不同大小感受野时提取相应地特征权重,进而对特征进行重校准。从而能够在大幅遥感图像中,准确地对占幅比较很小的桥梁区域进行分割。
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。
- 一种基于深度卷积网络和弱监督学习的SAR图像语义分割方法
- 一种基于密集全卷积网络的高分辨率遥感图像语义分割方法
- 基于全卷积网络与形态学处理的遥感图像语义分割方法