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：山东理工大学

摘要：本发明属于深度学习语义分割技术领域，具体涉及融合扩散语义特征的遥感图像语义分割卷积神经网络方法，步骤包括基于遥感图像，获取盆地地区的土地利用与土地覆盖的数据集；基于编码器和解码器结构，构建适用于语义分割的卷积神经网络模型；利用SR3超分辨率图像生成模型对训练集、验证集进行无监督训练，生成预训练的SR3图像生成模型来训练卷积神经网络模型，以获取最优参数；利用训练好的卷积神经网络模型对测试集中的遥感图像样本进行处理，生成遥感语义分割结果图。本发明缓解了地物分割不平衡性，提升了模型在图像处理任务中的性能与效率，显著提高了边缘分割和细节分辨率，增强了轮廓可视化和分类准确性。

主权项：1.融合扩散语义特征的遥感图像语义分割卷积神经网络方法，其特征在于包括以下步骤：S1、基于遥感图像，获取盆地地区的土地利用与土地覆盖的数据集，并将数据集划分为训练集、验证集和测试集；S2、基于编码器和解码器结构，构建适用于语义分割的卷积神经网络模型，其中编码器包含注意力模块、空洞卷积、空间金字塔池化、聚类模块以及来自扩散概率模型的注意力，解码器包含扩散概率模型和卷积层，解码器结合浅层特征和深度特征，通过调整通道数量、融合多尺度特征，并上采样恢复到原始图像大小以完成分类任务；S3、利用SR3超分辨率图像生成模型对训练集、验证集进行无监督训练，生成预训练的SR3图像生成模型，基于SR3图像生成模型生成高质量的高分辨率图像，利用高分辨率图像训练卷积神经网络模型，以获取最优参数；S4、利用训练好的卷积神经网络模型对测试集中的遥感图像样本进行处理，生成遥感语义分割结果图；所述的S3中，得到最优参数通过以下步骤实现：S31、数据集中每张图像的分辨率为256×256，利用SR3超分辨率图像生成模型，对训练集、验证集中的256×256遥感图像样本进行无监督训练，生成预训练的SR3图像生成模型；S32、基于SR3图像生成模型生成高质量的高分辨率图像，利用高分辨率图像训练卷积神经网络模型，通过训练调整聚类模块中的K值，观察不同聚类数目对语义分割的影响，并使用Gap统计量来确定最佳的K值；所述的S31中，在进行无监督训练时，采用数据增强策略提升SR3超分辨率图像生成模型的泛化性能，数据增强策略包括随机调整尺寸、随机水平翻转以及随机裁剪；所述的S32中，Gap统计量用于在聚类分析中确定最优的簇数量，表示为： ； ；式中，k为聚类个数；Cj为第j次聚类；μr表示聚类Cr的中心；X为样本点；d表示样本点X到μr的距离；Wk为聚类离散度；表示在参考分布下的期望值；n表示数据点的数量；表示n个数据点和k个聚类的Gap统计量；利用Gap统计量对K值进行评估选择，寻找使得Gap函数最大化的K值，以作为最优的簇数量，即为最佳的K值。

全文数据：

权利要求：

百度查询： 山东理工大学 融合扩散语义特征的遥感图像语义分割卷积神经网络方法