[发明专利]一种基于深度学习的遥感图像目标提取系统和方法

权利要求书

1.一种基于深度学习的遥感图像目标提取系统，其特征在于，包括：

主干网络模块，用于对原始图片进行多次下采样，获得经一次下采样的第一低级特征、经二次下采样的第二低级特征、经三次下采样的第三低级特征以及经四次下采样的第四低级特征；

判别上下文感知特征提取模块，用于对所述第四低级特征进行多尺度上下文提取、相邻尺度特征差分及特征差值的融合，获得多尺度上下文特征差异融合结果；

第一上采样模块，对所述多尺度上下文特征差异融合结果进行上采样，获得第一高级特征；

第一精炼解码器模块，用于将所述第三低级特征与所述第一高级特征进行融合并上采样，获得第二高级特征；

第二精炼解码器模块，用于将所述第二低级特征与所述第二高级特征结果进行融合并上采样，获得第三高级特征；

转置卷积模块，用于对所述第三高级特征进行上采样，获得最终的特征提取结果。

2.根据权利要求1所述的基于深度学习的遥感图像目标提取系统，其特征在于，所述主干网络模块由改进型ResNet_34网络模型组成，所述改进型ResNet_34网络模型去掉所述ResNet_34网络模型的全连接层、平均池化层和最后一个残差模块。

3.根据权利要求1所述的基于深度学习的遥感图像目标提取系统，其特征在于，所述判别上下文感知特征提取模块包括：

多尺度上下文提取单元，包括级联且具有不同空洞率的多重空洞卷积层，用于生成多尺度上下文特征：

F_k＝F_k-1*θ_k，k＝1,2,…K，

其中，θ_k是第k个空洞卷积层的空洞卷积核，K表示空洞卷积层的数目尺度，*代表卷积操作；

特征差异表征单元，用于对所述多尺度上下文特征的相邻尺度特征进行差分，生成多个上下文特征差值：

D_k＝F_k+1-F_k，k＝1,2,…K-1；

特征差异融合单元，用于将多个上下文特征差值进行级联融合，获得多尺度上下文特征差异融合结果：

DR＝[D₁，D₂，…D_k-1]。

4.根据权利要求1所述的基于深度学习的遥感图像目标提取系统，其特征在于，所述第一精炼解码器模块包括依次连接的精炼块单元、融合单元和空间注意块单元，其中，

所述精炼块单元用于利用循环卷积对所述第一高级特征进行去噪处理；

所述融合单元用于将所述精炼块单元去噪后的输出结果与所述第三低级特征进行融合；

所述空间注意块单元用于对所述融合单元输出的融合特征进行处理，以提高目标的激活值；

并且，所述第二精炼解码器模块与所述第一精炼解码器模块具有相同的结构。

5.根据权利要求4所述的基于深度学习的遥感图像目标提取系统，其特征在于，所述精炼块单元包括依次级联的第一3×3卷积层、第一BN层、第一ReLU单元、第二3×3卷积层、第二BN层、第二ReLU单元，其中，

所述第一3×3卷积层的输出还输送至所述第二3×3卷积层的输入，以所述第一ReLU单元的输出与所述第一3×3卷积层的输出级联后作为所述第二3×3卷积层的输入。

6.根据权利要求4所述的基于深度学习的遥感图像目标提取系统，其特征在于，所述空间注意块单元具体用于：

将所述融合单元输出的融合特征送入两个连续的3×3卷积层，将通道数压缩到1；

通过sigmod函数将通道数为1的特征图的输出限制到(0,1),表示为

并且，所述空间注意块单元最终输出的第二高级特征的表达式为：

其中，θ_1×1表示1×1卷积，表示对位乘。