[发明专利]一种基于双编码器网络模型的遥感影像道路提取方法

权利要求书

1.一种基于双编码器网络模型的遥感影像道路提取方法，其特征在于，包括以下步骤：

步骤1：对数据集中的遥感图像进行图像增强，将的遥感图像进行随机饱和度值、色相变换和平移、旋转处理；

步骤2：构建道路提取网络模型；

步骤2.1：搭建Swin-T编码器；

步骤2.2：搭建ResNet编码器；

步骤2.3：搭建空洞卷积块；

步骤2.4：搭建解码器；

步骤2.5：搭建道路析出块，获得灰度图像；

步骤3：模型训练，把遥感图像数据输入训练模型当中进行训练。

2.根据权利要求1所述的一种基于双编码器网络模型的遥感影像道路提取方法，其特征在于，步骤2的具体步骤包括：

步骤2.1：Swin-T编码器以Swin Transformer为基本框架，Swin-T编码器为：首先是序列映射块，然后按顺序连接四个段；四个段分别是2层Swin Transformer为一段，2层SwinTransformer为一段，6层Swin Transformer为一段，2层Swin Transformer为一段，每两个段之间有一个序列融合块；

步骤2.1.1：所述序列映射块的构建步骤：进行一次卷积，使输出通道为96，卷积核大小为4，步长为4，使像素点映射到一个个序列上；连接一个Layer Norm层；

步骤2.1.2：所述序列融合块的构建步骤：先连接一个Layer Norm层；使用一次空洞卷积使特征图数量加倍，大小缩小

步骤2.2：ResNet编码器以ResNet34为基本框架，ResNet编码器为：首先是一次适应卷积、一次Batch Norm、一次ReLU激活函数，使图片规范为512×512×64，然后进行一次下采样，最后接续四段，接续四段分别是ResNet34的layer1、layer2、layer3和layer4；

步骤2.3：Swin-T编码器后构建并连接空洞卷积块；所述空洞卷积块构建步骤如下：

步骤2.3.1：连接一个Layer Norm层；

步骤2.3.2：连接n个空洞卷积层：

Conv2d(kernel_size＝3,dilation＝1,padding＝1)

Conv2d(kernel_size＝3,dilation＝2,padding＝2)

……

Conv2d(kernel_size＝3,dilation＝2^n-1,padding＝2^n-1)

Conv2d()为卷积函数，kernel_size为卷积核大小，dilation为膨胀因子，n层的膨胀因子分别1、2¹，...，2^n-1，padding为卷积填充，n层的卷积填充分别为1、2¹，...，2^n-1，其中size为特征图大小；

步骤2.3.3：每层空洞卷积层后跟ReLU激活函数；

步骤2.3.4：空洞卷积块各层输出相加，得到此块最后的输出；

步骤2.4：空洞卷积块后构建并连接解码器，解码器由五段组成，若特征图尺寸提前达到则可提前跳出解码器；然后ResNet编码器各layer的输出与解码器各个段相同尺寸的特征图跳跃拼接；所述跳跃拼接具体为，由ResNet编码器各层输出的特征图，与解码器各段输出的相同尺寸的特征图进行跳跃拼接，拼接后的特征图输入到解码器的下一个段；

所述解码器的搭建步骤如下：

步骤2.4.1：先连接一个卷积核大小为1的卷积层，然后经Batch Norm和ReLU激活函数处理；

步骤2.4.2：再连接一个转置卷积：

ConvTranspose2d(kernel_size＝3,stride＝2,padding＝1,output_padding＝1)

ConvTranspose2d()为转置卷积函数，转置卷积核大小为3，stride为步长，卷积填充为1，输出特征图填充为1，然后经Batch Norm和ReLU激活函数处理；

步骤2.4.3：最后连接一个卷积核大小为1的卷积层，然后经Batch Norm和ReLU激活函数处理；

步骤2.4.4：将步骤2.4.1至步骤2.4.3封装为一段，按此流程循环构建五段；

步骤2.5：解码器后构建并连接道路析出块，道路析出块的构建包括：

步骤2.5.1：连接一个转置卷积层，然后经Batch Norm和ReLU激活函数处理，使特征图大小变为原图像大小；

步骤2.5.2：连接三个卷积核大小为3，卷积填充为1，步长为1的卷积层，使特征图数量降为1，每两个特征图之间进行ReLU激活函数处理；

步骤2.5.3：连接一个Sigmoid激活函数，得到与输入图像大小相同、单通道的结果图像。

3.根据权利要求1所述的一种基于双编码器网络模型的遥感影像道路提取方法，其特征在于，所述训练模型训练时，初始学习率为2e-4，若连续三轮以上损失值不下降，则学习率衰减5倍，连续六轮损失值不下降，则默认训练完成，单卡RTX3060训练。