申请/专利权人：成都信息工程大学

申请日：2024-03-21

公开（公告）日：2024-04-26

公开（公告）号：CN117935060A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/44;G06V10/771;G06V10/80;G06V10/82;G06N3/0455;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：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于深度学习的洪水区域检测方法，属于图像数据处理领域，包括构造数据集；构造洪水区域检测网络；用数据集训练洪水区域检测网络得到洪水区域检测模型，用于待识别的洪水图像中的洪水区域检测。本发明中针对洪水图像中洪水占比大、洪水边缘和淹没物场景复杂的问题，用残差图像金字塔模块对深层次特征中的感受野进行进一步扩大，使得模型注重于全局；多个浅层特征融合多输入坐标注意力机制，获得通道和两个空间方向的特征信息，使得模型注重于分割细节，由特征融合模块对获得的深层特征和浅层特征进行更好的特征选择与结合，将语义信息和空间方向相关的细节信息有效结合，能更好地分割洪水区域，在整体上提高分割精度。

主权项：1.一种基于深度学习的洪水区域检测方法，其特征在于：包括以下步骤；S1，构造数据集；获取不同区域的洪水图像，对每张洪水图像人工标记真实洪水区域，得到训练样本，所有训练样本构成数据集；S2，构造洪水区域检测网络，包括分层Transformer编码器、残差图像金字塔模块、多输入坐标注意力模块、特征融合模块和分割头；所述分层Transformer编码器，用于逐层对洪水图像进行特征提取，依次得到四张维度不同的分层特征图C1~C4；所述残差图像金字塔模块，用于输入C4，输出大视野特征图，包括用于空洞卷积的第一空洞卷积层到第四空洞卷积层；C4经第一空洞卷积层输出特征图K1，K1与C4拼接，再经第二空洞卷积层输出特征图CP1，CP1与C4拼接，经第三空洞卷积层输出特征图CP2，CP2与C4拼接，经第四空洞卷积层输出特征图CP3，C4分别送入1×1的第一卷积层和全局池化层得到对应输出K2和K3；将K1、K2、K3、CP1、CP2、CP3拼接，再经1×1的第二卷积层输出大视野特征图；所述多输入坐标注意力模块包括多输入特征提取单元、坐标注意力模块；所述多输入特征提取单元用于输入C1、C2、C3，对其进行拼接和1×1卷积得到特征图，将经3×3的深度可分离卷积、批量正则化和非线性处理得到特征图，将和拼接得到拼接特征图；所述坐标注意力模块用于输入，输出带坐标注意力的特征图；所述特征融合模块用于对、进行特征融合，输出融合特征图，并送入分割头中进行分割得到预测洪水区域；S3，用数据集训练构造洪水区域检测网络至收敛，得到洪水区域检测模型；S4，获取待识别的洪水图像，送入洪水区域检测模型，输出预测洪水区域。

全文数据：

权利要求：

百度查询： 成都信息工程大学 基于深度学习的洪水区域检测方法

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