[发明专利]一种遥感影像自适应特征选择分割方法及系统

权利要求书

1.一种遥感影像自适应特征选择分割方法，包括以下步骤：

步骤1，数据准备，包括对高分辨率影像的裁剪和数据预处理；

步骤2，改进模型，包括基于基础模型网络添加设置自适应特征选择模块，得到优化后的深度学习模型；所述自适应特征选择模块用于对不同特征图进行特征提取，实现方式为通过对基础模型网络所得多个不同尺度或者不同感受野的特征图进行全局平均池化特征提取，然后利用全连接层和激活函数引导神经元学习不同特征图重要程度的权重分布，最后根据学习的权重分布来对输入特征图进行特征筛选，从而实现自适应特征选择过程；

所述自适应特征选择模块实现如下，

设从基础模型网络得到的特征图块构成集合X＝{X_i,i∈[1,s]}，且其中，c表示输入通道的数量，h和w分别表示特征图的高度和宽度大小，s表示具有不同尺度或不同感受野特征图块的数量，表示实数集；

首先对输入的s个特征图块进行加运算，特征图的加运算所得结果记为

然后通过全局池化层对进行全局池化，获得每个通道间的统计信息S；

经过全局池化后，再送入到两个全连接层进行特征整合，每个全连接层后面都接BN和ReLU激活函数；通过第一个全连接层实现特征信息的维度变换，然后利用第二个全连接层进行权重分布的学习，权重分布采用softmax激活函数进行生成；

设P_i表示第i个特征图块所对应的权重值，得到权重分布值的比重如下，

根据权重分布值的比重进行加运算操作如下，

其中，Y表示最终输出的特征图；

步骤3，模型训练，包括对步骤2所得优化后的深度学习模型进行训练；

步骤4，输出结果，包括根据步骤3训练所得优化后的深度学习模型对输入的可见光影像的分割结果。

2.根据权利要求1所述遥感影像自适应特征选择分割方法，其特征在于：步骤1中，采用高分辨率遥感影像数据集，并对数据集进行裁剪，对裁剪所得每个图像块都进行数据增强操作。

3.根据权利要求1或2所述遥感影像自适应特征选择分割方法，其特征在于：所述基础模型网络为U-Net、PSPNet或DeepLabV3模型。

4.根据权利要求1或2所述遥感影像自适应特征选择分割方法，其特征在于：步骤4中，通过输入高分辨遥感影像，根据步骤3训练所得优化后的深度学习模型输出对应影像的掩码，从而实现分割任务。

5.一种遥感影像自适应特征选择分割系统，其特征在于：用于实现如权利要求1-4任一项所述的一种遥感影像自适应特征选择分割方法。