申请/专利权人：西安电子科技大学

申请日：2024-04-02

公开（公告）日：2024-06-18

公开（公告）号：CN118212526A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/26;G06V20/70;G06V10/774;G06V10/54;G06V10/42;G06V10/44;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455;G06N3/0495;G06N3/084;G06N3/0985

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：基于注意力和空洞卷积嵌入UNet3Plus的超高分辨率SAR建筑物提取方法、系统、设备及介质，方法：采集并预处理超高分辨率的SAR影像数据，划分为训练集、验证集和测试集；并将其转化为适用于MindSpore深度学习框架的数据集样本类型；构建注意力和空洞卷积嵌入UNet3Plus的深度网络模型；训练与监控深度网络模型；将测试集送入训练好的深度网络模型中进行建筑物提取，得到分割预测结果；利用分割预测结果和对应的SAR测试集影像的标签计算超高分辨率下建筑物非建筑物类别的评价指标和整体评价指标，评估网络性能，可视化预测结果图；本发明通过注意力机制和空洞卷积嵌入UNet3Plus，改善超高分辨率SAR影像中建筑物的边缘提取效果和减少小目标漏检情况，提高建筑物分割精度和鲁棒性。

主权项：1.基于注意力和空洞卷积嵌入UNet3Plus的超高分辨率SAR建筑物提取方法，其特征在于：包括如下步骤：步骤1，采集样本：采集超高分辨率的SAR影像数据，包括不同尺寸不同形状的建筑物类型和非建筑物类型，SAR影像数据包含对应的像素级标签，对该SAR影像数据进行处理，若是大景数据，则进行合适尺度的数据裁剪，形成尺寸为H*W的小图，对处理后的同时包含建筑物类型和非建筑物类型的SAR影像数据按照比例随机划分为训练集、验证集和测试集；步骤2，数据预处理：将步骤1获取的训练集、验证集和测试集转化为适用于MindSpore深度学习框架的数据集样本类型；步骤3，构建注意力和空洞卷积嵌入UNet3Plus的深度网络模型：基础的UNet3Plus由编码器E、解码器D和全尺度的跳跃连接组成，编码器E用于提取图像的多级语义特征，其中包括低层次的纹理信息和高层次的语义信息；解码器D用于综合编码器E获取的多级语义特征，并通过全尺度的跳跃连接和上采样过程逐渐恢复到高分辨率的特征图，最终生成高分辨率的分割结果；重复利用编码器E的多级语义特征进行尺度对齐后，通过注意力机制学习每个位置的特征权重来动态调整特征图；同时，结合空洞卷积调整解码器E的感受野大小，形成编码器E*，最终形成注意力和空洞卷积嵌入UNet3Plus的深度网络模型；步骤4，训练与监控网络：利用步骤2处理后的训练集和验证集，训练步骤3构建的注意力和空洞卷积嵌入UNet3Plus的深度网络模型，通过在训练过程中对验证集的效果进行监控，利用验证集调整训练的超参数，评估模型的性能，保存更好性能的模型参数，直至满足训练终止条件，得到训练好的注意力和空洞卷积嵌入UNet3Plus的深度网络模型；步骤5，预测结果：利用步骤4获取的训练好的注意力和空洞卷积嵌入UNet3Plus的深度网络模型预测步骤2处理后的测试集的结果，预测结果时，通过设置阈值进行二值化，最终得到SAR影像中建筑物非建筑物的分割预测结果；步骤6，性能评估和可视化：利用步骤5获取的建筑物非建筑物的分割预测结果和对应的SAR测试集影像的标签计算超高分辨率下建筑物非建筑物类别的评价指标和整体评价指标，评估网络性能，并对步骤5获取的建筑物非建筑物的分割预测结果可视化，形成预测结果图。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于注意力和空洞卷积嵌入UNet3Plus的超高分辨率SAR建筑物提取方法、系统、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD