申请/专利权人：中南大学

申请日：2020-12-08

公开（公告）日：2024-05-17

公开（公告）号：CN112560624B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/26;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。

主权项：1.基于模型深度集成的高分遥感影像语义分割方法，其特征在于，包括ED-FNet模型设计步骤，所述ED-FNet模型根据每层输出的特征图的大小可分为五个阶段，其中述ED-FNet模型的第一阶段输出特征图大小与原图相同，网络深度为1；所述ED-FNet模型的第二阶段包括第一阶段，并且多出一个下采样层和深度可分离卷积模块，第二阶段编码层得到的特征图是输入图像大小的一半，第二阶段中还包含了反卷积模块，网络深度为2，ED-FNet模型的第三阶段、第四阶段和第五阶段依次类推形成特征图；将所述ED-FNet模型在ISPRSVaihingen数据集和ISPRSPotsdam数据集进行训练，采用ISPRSVaihingen数据集和ISPRSPotsdam数据集进行语义分割；ED-FNet模型在网络的编码部分，除了第一阶段的卷积模块保留不变，其他卷积模块替换为深度可分离卷积模块；所述ED-FNet模型的构架在解码过程中采用深度可分离卷积步骤，深度可分离卷积步骤分两步进行：1C1个3×3×1的卷积对输入特征图的C1通道分别做卷积，这样在一次卷积后，输出的通道数为C1；2将第一步的输出通过一个1×1×C2的卷积核，得到最终输出结果，其大小为H×W×C2；AFM模块为自适应融合模块，AFM模块被定义为一个复合方程，公式如下： AFM模块输入的特征图为X1＝[u1,u2...,uC]，其中ui∈RH×W，X2＝[o1,o2,...,on]，其中oi∈RH×W,H表示AFM模块输入特征图的高度，W表示AFM模块输入特征图的宽度；空间积压通过全局池化层实现，空间挤压后生成向量FsX∈R1×1×C，C表示输入特征图向量X1的通道数，公式定义如下： xki，j表示X的元素，上述操作将全局空间信息嵌入到向量FiX中，接下来需要编码模型输出多个特征图之间的关系： 其中，W1和W2表示全连接层的参数，θ为激活函数；该函数对模型各个输出之间的结果进行编码；为了将权重FeX的动态变化范围限制在[0-1]之间，还需添加一个sigmoid层；将权重向量与模型输出结合起来，得到最终的输出： 其中，可变的激活值σzi代表这着第i个输出结果的重要性。

全文数据：

权利要求：

百度查询： 中南大学 基于模型深度集成的高分遥感影像语义分割方法

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