多尺度特征融合遥感影像分割方法、装置、设备和存储器.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113688813A(43)申请公布日2021.11.23(21)申请号202111252286.9(22)申请日2021.10.27(71)申请人长沙理工大学地址410000湖南省长沙市天心区赤岭路45号(72)发明人王威唐琛王新刘冠群(74)专利代理机构长沙国科天河知识产权代理有限公司43225代理人段盼姣(51)Int.Cl.G06K9/00(2006.01)G06K9/34(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书3页说明书14页附图4页(54)发明名称多尺度特征融合遥感影像分割方法、装置、设备和存储器(57)摘要本申请涉及一种多尺度特征融合遥感影像分割方法、装置、设备和存储器。所述方法包括：获取遥感影像，并进行标注，得到训练样本；构建多尺度特征融合遥感影像分割网络，该网络包括：用于将训练样本分割成固定大小的小块，将其展开成一维向量并嵌入位置编码得到输入序列的输入网络；用于利用多层Transformer模块提取输入序列不同层次的编码器；用于通过融合多尺度特征图得到样本预测结果的解码器；利用训练样本对该网络进行训练，得到训练好的多尺度特征融合遥感影像分割模型，并利用该模型得到待测遥感影像的预测结果。该方法充分利用编码器提取的多尺度特征图，将局部分类与层次分割相结合，能够适应遥感影像中目标复杂多变的特点。CN113688813ACN113688813A权利要求书1/3页1.一种多尺度特征融合遥感影像分割方法，其特征在于，所述方法包括：获取高分辨率的遥感影像，以及对所述遥感影像进行标注，得到训练样本；构建多尺度特征融合遥感影像分割网络；所述多尺度特征融合遥感影像分割网络包括输入网络、编码器以及基于多尺度特征图融合的解码器；所述输入网络用于将所述训练样本分割成固定大小的多个小块图像，并将所述小块图像展开成一维向量并嵌入位置编码得到输入序列；所述编码器用于利用多层Transformer模块提取输入序列不同层次的特征；所述解码器用于将不同层次的特征经过调整形状后通过卷积操作得到不同尺度的特征，并通过拼接操作来融合不同尺度的特征，最后通过多次卷积与上采样得到样本预测结果；根据所述训练样本的标注和将所述训练样本输入到所述多尺度特征融合遥感影像分割网络得到的样本预测结果，对所述多尺度特征融合遥感影像分割网络进行训练，得到训练好的多尺度特征融合遥感影像分割模型；获取待测遥感影像，并将所述待测遥感影像输入到训练好的多尺度特征融合遥感影像分割模型中，得到待测遥感影像的预测结果。2.根据权利要求1所述的方法，其特征在于，根据所述训练样本的标注和将所述训练样本输入到所述多尺度特征融合遥感影像分割网络得到的样本预测结果，对所述多尺度特征融合遥感影像分割网络进行训练，得到训练好的多尺度特征融合遥感影像分割模型，包括：将所述训练样本输入到所述输入网络中，将所述训练样本分割成固定大小的多个小块图像，并将所述小块图像展开成一维向量后通过线性连接映射调整一维向量的维度，并在维度调整的向量中嵌入位置编码得到输入序列；将所述输入序列输入到编码器中，得到不同层次的特征；将所述不同层次的特征输入到基于多尺度特征图融合的解码器中，得到样本预测结果，并根据所述样本预测结果和所述遥感影像的标注对所述多尺度特征融合遥感影像分割网络进行训练，得到训练好的多尺度特征融合遥感影像分割模型。3.根据权利要求2所述的方法，其特征在于，所述编码器包括b个串联的Transformer模块，每个所述Transformer模块结构相同；所述Transformer模块由多头自注意力模块、层标准化模块以及多层感知机模块构成；其中b为大于等于1的整数；将所述输入序列输入到编码器中，得到不同层次的特征，包括：将所述输入序列输入到第一个Transformer模块中，经过层标准化模块进行处理后得到标准化输入序列，并将所述标准化输入序列采用多头自注意力模块进行特征提取，得到注意力特征，并将所述注意力特征与所述输入序列进行融合得到注意力融合特征，并将所述注意力融合特征采用层标准化模块进行处理，将得到的标准化处理结果输入到多层感知机模块中，并将得到的感知机输出特征与所述注意力融合特征融合，得到第一个Transformer模块输出特征；将所述第一个Transformer模块输出特征作为第二个Transformer模块的输入序列，并将输入序列输入到第二个Transformer模块中，得到第二个Transformer模块输出特征，依此类推，得到b个由浅到深的图像特征；在b个由浅到深的图像特征中按照相同的层间隔进行特征选取，得到不同层次的特征。4.根据权利要求3所述的方法，其特征在于，所