申请/专利权人：南京信息工程大学

申请日：2024-05-10

公开（公告）日：2024-07-05

公开（公告）号：CN118135239B

主分类号：G06V10/40

分类号：G06V10/40;G06V10/82;G06V10/80;G06N3/0464;G06V10/764;G06N3/048;G06N3/0442;G06N3/08;G06V20/13

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.06.21#实质审查的生效;2024.06.04#公开

摘要：本发明提供了融合过滤多尺度高分辨率遥感冰川提取方法，首先，对高分辨率冰川遥感影像进行数据预处理，制作成深度学习语义分割数据集，并且通过数据增强手段丰富数据集，保证模型训练鲁棒性。针对零散、细小冰川识别能力不足的问题，设计门控多尺度过滤层（G‑MsFL）。为模型提供不同尺度的提取和特征融合方式捕捉细微冰川，门控机制有效过滤无用特征信息；针对冰川轮廓模糊不清问题，设计并联双通道注意力模块（P‑DAM）。将冰川边界丰富的上下文信息进行编码作为特征图的局部特征，从而增强其特征表达能力。对高原地区大面积冰川提取工作提供有效帮助。

主权项：1.融合过滤多尺度高分辨率遥感冰川提取方法，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，对高分辨率遥感图像数据进行预处理，得到冰川数据集和对应标签数据，将冰川数据集按比例分为训练集、验证集与测试集；步骤2，构建高分辨率遥感冰川提取模型，将训练集与验证集输入模型进行训练验证，得到训练好的遥感冰川提取模型；步骤3，将测试集中的测试图片输入步骤2得到的模型中进行遥感图冰川识别，提高模型的准确性；步骤2中，所述高分辨率遥感冰川提取模型为Glacier-Unet模型，模型采用编码、解码结构，包括左半边和右半边；其中，左半边为编码器部分，右半边为解码部分；左半边划分为五个尺度，每个尺度包含两个输出通道数相同、卷积核大小3*3卷积层，紧跟着一个整流线性修正单元ReLU和一个步长为2的最大池化；通过逐比例的卷积采样细化特征图，从特征映射的上下文中提取并保留不同尺度的特征信息，每次下采样特征图通道数量增加一倍，最后通过卷积层将编码部分跳跃链接至解码部分，完成收缩路径；右半边的解码器根据编码部分特征构造分割图，逐步恢复遥感图像的高层特征；解码部分中的每一层都包含特征映射的上采样，通过2*2卷积上采样将特征图通道数减半，与编码部分相对应维度的特征图进行特征融合，紧跟两个3*3卷积，每个卷积后面都有个整流线性修正单元ReLU；跳跃链接即从编码直接连接至解码部分的设计，将编码器的输出与上采样操作的输出串联到解码器，并将级联后的特征映射到下一层；步骤2中，在跳跃链接处设置有位置注意力模块和通道注意力模块，用于调整特征权重，重点学习冰川特征；步骤2中，在位置注意力模块中，将一个局部特征输入卷积层，分别生成三个新的特征映射图B，C和D，其中表示C1×H×W维的实数空间，其中C1表示通道数，H表示图像的高度，W表示图像的宽度；其次，将三个特征映射图B，C和D重构成C1×N维的实数空间从而得到三个特征映射图B，C和D的特征矩阵B1、C1、D1；其中N＝H×W为像素数；将特征矩阵B1和特征矩阵C1进行矩阵乘法并且使用softmax层计算空间特征注意映射S∈N×N，用Sji表示位置i对位置j的影响；在空间特征注意映射S的转置矩阵和特征矩阵D1之间进行矩阵乘法，将生成的特征映射图重构成格式，将重构的特征映射图乘以尺度参数α与出入特征图进行求和运算，最终生成特征图其中尺度参数α初始为0；最终得到包含位置信息的特征图E是所有位置特征和原始特征的加权和；Sji和Ej计算公式为： 其中expBi·Cj表示特征矩阵B1和C1的融合操作，Aj表示输入的j位置局部特征图；Bi表示i位置特征矩阵B1的矩阵图；Cj表示j位置特征矩阵C1的矩阵图；Di表示重构后的i位置特征矩阵D1的矩阵图；Ej表示最终得到的j位置的特征图，j取值为1～N，且j不等于i。

全文数据：

权利要求：

百度查询： 南京信息工程大学 融合过滤多尺度高分辨率遥感冰川提取方法

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