[发明专利]一种多尺度前景特征自适应加权的遥感图像分割方法

权利要求书

1.一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于，包括如下步骤：

步骤1，准备遥感图像数据集用于训练和测试；

步骤2，构建多尺度前景特征自适应加权的遥感图像分割网络，包括特征提取模块、多尺度前景特征提取模块和前景特征激活模块三个模块，多尺度前景特征提取模块用多尺度卷积核提取特征金字塔中的多尺度前景特征，前景特征激活模块用于自适应的赋予不同尺度的前景特征权值；

步骤3，使用训练集图像对多尺度前景特征自适应加权的遥感图像分割网络进行训练；

步骤4，使用步骤3训练好的网络模型对测试集图像进行分割，得到图像语义分割结果。

2.如权利要求1所述的一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于：步骤1中对全部遥感图像做随机镜像、旋转数据增强操作，并将影像裁剪到N×N大小。

3.如权利要求1所述的一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于：步骤2中首先输入影像经过特征提取模块对图像进行特征编码，得到四个阶段的特征图″F_i，接着将四个特征图分别通过多尺度前景提取模块得到多尺度前景特征表达F_i′，然后将F_i′输入前景特征激活模块，得到带注意力权重的多尺度前景特征表达F_i″，最后将F₁″、F₂″、F₃″、F₄″分别上采样不同倍数，并按照通道的维度拼接起来输入到分类器中，得到最终的分割结果。

4.如权利要求3所述的一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于：步骤2中多尺度前景特征提取模块是将输入的特征通过一组多尺度卷积核提取到不同尺度的前景特征，然后将提取的不同尺度的前景特征按照通道的维度拼接在一起得到F_i′，其中，多尺度卷积核里含有四个大小不同的卷积。

5.如权利要求4所述的一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于：步骤2中前景特征激活模块将多尺度前景特征表达F_i′通过全球平均池化层GAP、通道注意力子模块和Softmax层，得到注意力权值W_i，然后将F_i′与W_i相乘，得到带注意力权重的多尺度前景特征表达F_i″；其中，通道注意力子模块包含全连接层、ReLu激活层和Sigmoid激活层。

6.如权利要求1所述的一种多尺度前景特征自适应加权的遥感图像分割方法，其特征在于：步骤3中训练过程中，使用SGD优化器，动量为0.9，权重衰减为10^-4；初始学习率为0.01，使用“poly”策略调整学习率，动量为0.9；批大小设置为8，训练周期设置为100。