申请/专利权人：淮阴工学院

申请日：2023-08-08

公开（公告）日：2023-11-14

公开（公告）号：CN117058674A

主分类号：G06V20/70

分类号：G06V20/70;G06V20/10;G06V10/26;G06V10/77;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本发明公开了一种基于注意力的Water‑Lite‑HRNet遥感图像水体分割方法，包括以下步骤：首先预处理LandCover.ai原始高分辨率遥感图像，得到本发明使用的水体分割数据集，包括训练集、测试集和验证集；其次对原始HRNet网络进行结构化剪枝，得到Water‑Lite‑HRNet网络，同时嵌入设计的注意力模块和相邻分支注意力模块；然后对Water‑Lite‑HRNet采用水体分割数据集中的训练集及验证集对网络模型进行微调与训练，得到分割模型Y；最后将水体分割数据集中的测试集输入到Y中，得到初始分割结果，对初始分割结果进行后处理，修正错误或不确定性，得到最终的水体分割结果。与现有技术相比，本发明提出的基于注意力的Water‑Lite‑HRNet模型，在大规模减少HRNet参数量提高模型训练速度的同时提高了模型分割精度。

主权项：1.一种基于注意力的Water-Lite-HRNet遥感图像水体分割方法，其特征在于，包括以下步骤：步骤1：数据准备，利用LandCove.ai原始高分辨率遥感图像，对其进行预处理后得到水体分割数据集，数据集包括训练集、测试集和验证集；步骤2：搭建网络，对原始HRNet网络进行结构化剪枝，得到Water-Lite-HRNet网络，同时嵌入注意力模块和相邻分支注意力模块；所述Water-Lite-HRNet网络由分支1、分支2、分支3和分支4四个分支堆叠而成，所述注意力模块嵌入四个分支中且四个分支仅与相邻不同分辨率分支融合特征，并在高低级特征跨分支融合前引入相邻分支注意力模块，进行相邻分支特征的提取；步骤3：训练模型，对Water-Lite-HRNet网络分别采用公开数据集和步骤1中水体分割数据集的训练集及验证集对网络模型进行微调与训练，得到分割模型Y；步骤4：分割及后处理，将步骤1中水体分割数据集的测试集输入到分割模型Y中，得到初始水体分割结果，然后对其进行后处理，得到最终的水体分割结果。

全文数据：

权利要求：

百度查询： 淮阴工学院 基于注意力的Water-Lite-HRNet遥感图像水体分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD