申请/专利权人：武汉理工大学三亚科教创新园

申请日：2024-01-23

公开（公告）日：2024-04-09

公开（公告）号：CN117635628B

主分类号：G06T7/10

分类号：G06T7/10;G06N3/0464;G06N3/048;G06N3/0499;G06N3/08;G06V10/26;G06V10/28;G06V10/44;G06V10/52;G06V10/764;G06V10/80;G06V10/82;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本申请公开了一种基于上下文注意力和边界感知引导的海陆分割方法，涉及遥感图像处理技术领域，包括：步骤1，获取遥感图像，对遥感图像进行裁剪和预处理，生成预处理数据集；步骤2，对预处理数据集进行数据增强和标准化处理，得到数据增强后的遥感海陆图像数据集；步骤3，对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取，获得特征提取后的特征图；步骤4，对深度卷积神经网络提取的特征进行多尺度融合，将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强，输出增强后的注意力特征；步骤5，深度卷积神经网络进行边界感知增强，输出增强后的边界特征；能够提高海陆边界分割效果。

主权项：1.一种基于上下文注意力和边界感知引导的海陆分割方法，其特征在于，包括：步骤1，获取遥感图像，对遥感图像进行裁剪和预处理，生成预处理数据集；步骤2，对预处理数据集进行数据增强和标准化处理，得到数据增强后的遥感海陆图像数据集；步骤3，对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取，获得特征提取后的特征图；步骤4，对深度卷积神经网络提取的特征进行多尺度融合，将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强，输出增强后的注意力特征；步骤5，深度卷积神经网络进行边界感知增强，输出增强后的边界特征；基于边界特征进行预测，获取边界分割预测图，确定分割后的边界损失；步骤6，将边界特征和注意力特征进行特征融合，得到边界增强和注意力增强后的融合特征图，输出的海陆图像分割结果；步骤7，基于海陆图像分割结果与实际分割进行交叉熵损失计算，确定最终分割后的结果；步骤4还包括以下实现方式：步骤41，通过深度卷积神经网络，提取不同阶段的具有高层和低层语义信息的多尺度特征图，将不同阶段的多尺度特征进行融合，输出融合后的多尺度特征图；步骤42，将得到的多尺度特征通过广视野特征提取，获取不同尺度感受野的局部特征和全局特征；步骤43，根据获取的局部特征和全局特征，分别将局部特征和全局特征进行特征块划分，获取局部特征块和全局上下文特征块；步骤44，利用MLP多层感知机对全局上下文特征块进行空间维度上下文信息融合，获得空间融合全局上下文特征块，将局部特征块与空间融合全局上下文特征块进行多头注意力计算，获得广视野上下文注意力增强后的注意力特征；局部特征和全局特征获取方式为： ； ；其中，为局部特征和为全局特征，表示卷积，表示卷积，表示空洞率的空洞卷积；所述步骤5包括如下步骤：步骤51，获取深度神经网络的浅层纹理特征，将浅层纹理特征进行融合，对融合后的浅层纹理特征分别进行边界感知增强，输出增强后的边界特征；步骤52，根据边界特征，对海陆边界进行边界二值预测，获取边界分割预测图；步骤53，获取海陆分割标签，使用Laplacian算子得到边界分割标签，基于边界分割标签和边界分割预测图，确定边界损失情况。

全文数据：

权利要求：

百度查询： 武汉理工大学三亚科教创新园 一种基于上下文注意力和边界感知引导的海陆分割方法

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