[发明专利]遥感图像地物语义分割方法

权利要求书

1.一种遥感图像地物语义分割方法，包括步骤：下载卫星遥感影像数据，对影像数据中的地物类别进行像素级标注，将多通道的遥感影像直接作为神经网络的输入，以金字塔场景解析网络PSPNet为主干网络挖掘遥感影像空间信息，并以[l1]通道注意力模块FC-Attention为辅助结构，挖掘遥感影像通道信息的语义分割网络模型，把具备较强图像特征挖掘能力的网络模型从相关领域中迁移至语义分割网络模型，作为主干网BackBone的知识结构；用金字塔场景解析模块提取不同空间尺度的空间特征，挖掘遥感影像的空间信息，通道注意力模块FC-Attention辅助结构从通道维度进一步挖掘遥感影像所包含的通道[l2]信息；然后采用数据相关型的上采样模块DUpSample，对不同空间尺度融合后的特征图上采样至原始特征图大小，并与原始特征图进行拼接，用针对性更强的损失函数Lovasz Loss优化网络模型，利用反向传播，在每一个小批量梯度下降训练时更新各模块的权值，使用标注后的训练数据，对上述语义分割网络模型进行优化训练；通过辅助损失函数构建损失函数塔，共同对语义分割网络模型进行优化，有效地降低梯度消失和梯度爆炸风险后，使用标注后的训练数据训练网络模型，将测试集数据输入优化后的语义分割网络模型，识别影像中的不同地物，验证模型效果。

2.如权利要求1所述的遥感图像地物语义分割方法，其特征在于：数据相关型上采样模块DUpSample将H*W*C的特征上采样到2H*2W*C，其中，H，W，C分别代表图像的长、宽和通道数。

3.如权利要求2所述的遥感图像地物语义分割方法，其特征在：数据相关型上采样模块利用语义分割的标签空间中的冗余，在上采样层中，将卷积神经网络CNN的低分辨率输出恢复到原始图像像素相同的样子。

4.如权利要求1所述的遥感图像地物语义分割方法，其特征在于：语义分割网络模型的分割结果表示为是由几个上采样组成的解码器的输出，表示人工标注掩码图的Y∈[0,1,2,...,C]^H×W为解码器对应的输入图像，并且Y∈[0,1]^H×W×C，F通常比Y小16或32倍，需将上采样F至与Y同样的尺寸，计算损失函数。其中，C表示分割的类别，表示终输出的通道数，表示矩阵中的值均为实值，H和W表示掩码图的长和宽，和表示语义分割结果的长和宽。

5.如权利要求1所述的遥感图像地物语义分割方法，其特征在于：数据相关型上采样模块给定表示上采样率的r＝OutStride，将人工标注的掩码图Y分为Y分为个r*r的网格形式，将人工标注的掩码图Y压缩成与语义分割网络模型分割结果F相同大小的特征图，其中，H表示人工标注的掩码图的长，W表示人工标注的掩码图的宽，r表示采样率。

6.如权利要求1所述的遥感图像地物语义分割方法，其特征在于：数据相关型上采样模块对于原始图像的每一个子窗口S∈[0，1]^r×r×C，将S变形为一个原始向量v，且v∈[0，1]^N，N＝r*r*C，最终将向量v压缩成一个低维向量然后从水平和垂直方向排列子窗口S的低维向量x以形成与语义分割网络模型分割结果F相同大小的特征图

7.如权利要求1所述的遥感图像地物语义分割方法，其特征在于：对于预测图像与原始图像两个图像A，B，Jaccard系数为预测图像A与原始图像B交集部分的大小与所述A与B并集部分大小的比值，根据标签值y^*与预测值两个集合，采用如公式(4)所示计算类别C在预测图像和原始图像交并比IoU：

其中，c表示类别，J_c代表类别c在预测图像和原始图像交并比，为预测值。