买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明提供了一种遥感图像精确分割方法，包括：获取高分辨率遥感图像数据并进行预处理，将高分辨率遥感图像切割为小图像块，划分为训练集、验证集和测试集；构建基于Poly衰减学习率策略的遥感图像分割模型交叉上下文频域表示学习模型CCRF‑UNet；对模型进行训练和验证，优化训练网络参数，得到训练完成的遥感图像分割模型；将测试集输入到训练完成的遥感图像分割模型中，输出分割结果。本发明有效利用交叉注意力和上下文融合模块，增强模型的信息提取能力，有效减少了空间信息及语义信息的丢失；通过使用十字交叉频域权重学习模块引入频域信息，能够提高对图像纹理和轮廓的分割能力；实现了遥感图像分割效果的提升。

主权项：1.一种遥感图像精确分割方法，其特征在于，包括以下步骤：步骤1，获取高分辨率遥感图像数据并进行预处理，采取像素重叠的策略，将高分辨率遥感图像切割为小图像块，并以随机抽取的方式划分为训练集、验证集和测试集；步骤2，构建基于Poly衰减学习率策略的遥感图像分割模型交叉上下文频域表示学习模型CCRF-UNet；步骤3，配置相关训练参数；步骤4，将训练集和验证集输入到模型CCRF-UNet中进行训练和验证，利用联合损失函数计算遥感图像分割模型的损失，优化训练网络参数，得到训练完成的遥感图像分割模型；步骤5：将测试集输入到训练完成的遥感图像分割模型中，输出相应的分割结果；步骤2中，所述交叉上下文频域表示学习模型CCRF-UNet基于对原始UNet模型的改进得到，包括如下步骤：步骤2-1，建立交叉上下文频域表示学习模块CCRF，在原始UNet模型编解码阶段，在每一个阶段使用深度可分离卷积替换普通卷积，在第2、3、4、5阶段过程中，每个深度可分离卷积模块后都经过不同次数的交叉上下文频域表示学习模块CCRF，次数分别为[4,2,2,4]；步骤2-2，在原始UNet模型的跳跃连接中，使用交叉注意力Cross-Attention模块，执行如下计算得到注意力图A： 其中Q、K、V分别表示查询矩阵、键矩阵和值矩阵，Conv2d·表示1×1卷积操作，C、H、W分别表示特征图的通道数、高度和宽度，C′表示查询和键矩阵的通道数，KT表示键矩阵的转置矩阵，softmax·表示应用软最大激活函数；X表示原始特征图，T表示矩阵转置；表示实数集；对值矩阵V和注意力图A进行聚合操作得到注意力特征U，通过线性变换将注意力特征映射回原始维度，然后将注意力特征与原始特征图X进行融合，公式为：U＝V·AX′＝Conv2dU+X其中X′为经过交叉注意力模块后的输出特征；步骤2-3，构建基于Poly衰减学习率策略的遥感图像分割模型交叉上下文频域表示学习模型CCRF-UNet，使用Poly衰减学习率策略替换固定的学习率；使用Poly衰减学习率策略后，训练过程中学习率的变化根据多项式衰减函数确定，公式为： 其中lr为新的学习率，base_lr为基准学习率，epoch为迭代次数，num_epoch为最大迭代次数，power为多项式衰减指数；步骤2-1包括：利用深度可分离卷积替换原始UNet模型中的普通卷积，并通过交叉上下文频域表示学习模块CCRF，在编码部分下采样的四个阶段分别经过[4,2,2,4]次，解码部分上采样的四个阶段分别经过[4,2,2,4]次：所述交叉上下文频域表示CCRF模块共有三个分支，第一个分支是带有膨胀卷积的上下文交互模块CIM，首先通过扩大卷积感受野获取小尺度物体的特征和结构信息，然后通过上下文交互模块CIM进一步增强信息交换；第二个分支是十字交叉频域权重学习模块CCWF，通过同时获取全局和局部信息，并引入频域特征帮助模型CCRF-UNet理解上下文；第三个分支是原始特征拼接分支，通过引入原始输入特征，丰富特征信息。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种遥感图像精确分割方法