[发明专利]基于跨维度注意力机制的自监督单遥感图像超分辨率方法

说明书

本发明公开了一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法，属于模式识别技术领域，提出跨维度注意力机制引导网络，跨维度注意力机制引导网络是一种自监督超分辨率方法，利用单张图像内部信息的可再现性，避免模型性能对于大规模训练数据集的依赖，通过将输入的图像进行下采样，组成自训练对，在训练过程中学习图像内部的自相似性和退化过程，然后将输入的低分辨率图像进行图像超分辨率重建。其次还提出跨维度注意力机制模块，通过对图片特征的通道与空间特征之间的相互依赖关系建模，考虑通道维度与空间维度之间的相互作用，通过学习得到通道与空间的特征权重，选择性地捕捉更多的信息特征，进而提高静态卷积神经网络的学习能力。

技术领域

本发明涉及模式识别技术领域，特别涉及一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法。

背景技术

图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建，目前，主要的图像超分辨率方法有以下几种：(1)基于插值的图像超分辨率方法；(2)基于重构的图像超分辨率方法；(3)基于学习的图像超分辨率方法。

在过去的几年中，基于深度学习的遥感图像超分辨率方法在某些情况下已经可以有效的克服遥感成像传感器物理分辨率的限制，这类方法成功的一个不可缺少的因素是大量的特定数据集。但是，在实际获取遥感图像的过程中，因受到各种复杂因素的影响，真实遥感图像的退化方式与特定数据集的退化方式大相径庭，导致训练后的模型在实际应用中的性能大幅下降。

发明内容

为了解决现有图像超分辨率方法对于大规模训练数据集的依赖问题，本发明实施例提供一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法，通过提出跨维度注意力机制引导网络，利用单张图像内部的信息的可再现性，避免模型性能对于大规模训练数据集的依赖，通过将输入的图像进行下采样，组成自训练对，在训练过程中学习图像内部的自相似性和退化过程，然后将输入的低分辨率图像进行图像超分辨率重建。所述技术方案如下：

本发明提供了一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法包括：

将输入图像进行下采样；

提取图像的卷积特征；

计算通道特征和空间特征的权重，其中，图像卷积特征中不同通道的权值矩阵为T_c：

T_c＝Sigmoid(f^1×1(ReLU(f^1×1(Avg(F)))))

其中，F∈R^C×H×W为图像卷积特征；Avg为全局平均池化，f^1×1为卷积核大小为1×1的卷积操作；

图像卷积特征中不同空间的权值矩阵为T_s：

T_s＝Sigmoid(f^1×1(F))

其中，F∈R^C×H×W为图像卷积特征；f^1×1为卷积核大小为1×1的卷积操作；

计算带有通道权重和空间权重的通道-空间特征权重T∈R^C×H×W：

其中，f^1×1为卷积核大小为1×1的卷积操作；

计算跨维度注意力机制的输出图像特征

使用最小绝对值偏差作为损失函数，优化训练过程，其中，最小绝对值偏差L₁为：