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！

摘要：本发明公开了一种基于卷积和注意力的地基云图细粒度分割方法，该方法采用编码‑解码结构对输入地基云图图像进行自动语义特征提取以及恢复重建地基云图图像信息。由于CNN对云图全局特征提取能力较弱，只能通过不断叠加卷积层来实现从局部到全局的图像提取，缺乏鲁棒性。因此本发明采用SwinTransformer作为基础模块用于提取地基云图图像的全局信息，采用类似于CNN的分层结构。该模块对原始Transformer注意力机制进行改进，引入了基于窗口的多头注意力机制W‑MSA和基于移位窗口的多头注意力机制SW‑MSA，这使得全局注意力优势被保留同时降低了原始Transformer二次计算复杂度。同时为了进一步增强云图局部特征提取能力和全局相关性，设计了特征融合模块Fg‑FFM级联到编码器中。

主权项：1.一种基于卷积和注意力的地基云图细粒度分割方法，其特征在于，包括以下步骤：获得待处理的云图细粒度数据集数据，对待处理的云图细粒度数据集数据进行预处理，得到云图细粒度数据集数据；将云图细粒度数据集数据输入预设的地基云图细粒度分割网络，得到云图细粒度分割结果；其中，所述预设的地基云图细粒度分割网络为利用Keras深度学习框架构建的网络，所述预设的地基云图细粒度分割网络的搭建采用混合卷积和Transformer的地基云图细粒度分割网络，将SwinTransformerBlock作为基础模块搭建分割网络，该网络为典型的编码-解码结构，在编码结构中添加Fg-FFM模块以融合不同Transformer层提取的多尺度信息，采用GloRe全局图模块替代跳跃连接操作，GloRe单元能够实现全局和局部特征之间的有效交互，其轻量化的设计在保持低参数和计算量的情况下提升了模型的全局建模效率；其中，在编码结构中添加Fg-FFM模块以融合不同Transformer层提取的多尺度信息，具体包括：使用Fg-FFM模块在编码器中的SwinTransformerBlock层之间进行级联；特征融合模块Fg-FFM可由以下数学模型表征： 其中，X1是低层特征图，Y1是高阶语义特征图，将X1、Y1作为输入特征，Z1是注意力特征融合的输出，η表示由多尺度注意力模块实现的特征加权操作；其中，所述GloRe单元的结构包含五个主要的卷积层，首先，有两个卷积层用于对输入特征X3和输出特征Y3进行降维和扩展，以增加特征的维度和表达能力，接下来，有一个顶部卷积层用于生成坐标和潜在交互空间之间的双投影B，从而实现坐标空间到交互空间的映射，然后，有两个中间的卷积层用于在交互空间中进行全局推理，其中将区域特征编码为图节点，而图卷积的参数用于捕捉全局关系，最后，有一个卷积层用于将交互空间的特征投影回协调空间，从而得到最终的输出特征Y3。

全文数据：

权利要求：

百度查询： 华北电力大学(保定) 一种基于卷积和注意力的地基云图细粒度分割方法