[发明专利]基于注意力机制卷积神经网络的遥感影像地物标注方法

摘要

本发明涉及一种注意力机制卷积神经网络的遥感影像地物标注方法，包括计算机读取数据、构造注意力机制的卷积神经网络、训练网络模型、测试网络得到标注结果四个步骤。本发明通过增加注意力机制模块，使得网络有针对性地提取关键位置的信息，弥补网络末端缺乏空间信息的不足，提升对网络对地物细节的分类效果；并且利用深度监督的机制，利用网络中间提取的特征进行监督分类，能进一步加快网络的训练速度以及提升网络的综合性能；通过反卷积的升采样模块，使得网络提取特征的分辨率增加，能够一定程度上克服小地物难以检测的问题，能自动化将遥感影像各像元分类为相应地物类别，减少人工解译的麻烦，大大加快解译进程，得到精细化的标注结果。

主权项

1.一种基于深度学习的遥感影像地物标注方法，其特征在于：该方法的具体步骤如下：步骤一、计算机读取遥感数据：将带标签的样本图像分为训练集和测试集两部分，由于计算机显存的限制，在训练阶段，将原始训练影像切割成321×321大小；在测试阶段，将原始测试影像切割成500×500大小，并将标注结果拼接起来得到原始尺寸的分类图；步骤二、构造注意力机制的卷积神经网络：在VGGNet‑16的基础上，保留conv1到conv5的卷积层，将分别从conv1、conv3以及conv5层的末端引出分类网络，并将各分支特征图的分辨率通过反卷积操作提升到原始网络输入的分辨率，同时训练深度不同的卷积神经网络；特别的，在conv5层后经过conv6和conv7两次卷积得到输出特征图，再通过反卷积操作将特征图提升8倍，并经过sigmoid层得到注意力图，分别与conv1与conv3之后的升采样到固定分辨率的特征图进行像素级乘法操作，得到注意力提升的分类图，并将其与原conv7后的输出特征图融合；融合的结果经过softmax层得到各类的概率图；步骤三、训练注意力机制的卷积神经网络：在Caffe框架下，将训练集上的样本输入构造好的注意力机制的卷积神经网络上训练，经过迭代一定次数，直到网络模型最优，记录此时的网络参数；步骤四、遥感影像地物标注：利用上一步骤中得到的网络参数，将测试集上的数据通过该网络模型，得到分类的结果；将测试集上的标注结果拼接起来，得到原始大小的遥感影像的地物标注结果。