[发明专利]一种半监督遥感图像语义分割方法、装置和计算机设备

说明书

本发明公开了一种半监督遥感图像语义分割方法、装置和计算机设备，该方法包括：获取原始遥感图像；将原始遥感图像缩放为尺寸大小不同的3个缩放图像；将3个缩放图像分别输入至3个纵横交错注意力模块中，获得3个注意力特征图；及对3个注意力特征图进行融合处理，获得多尺度注意力特征图；将多尺度注意力特征图输入至深度语义分割网络，获得语义分割预测图。本发明基于多尺度注意力的半监督遥感图像语义分割模型，既能利用无标注数据训练整个模型，又能充分的利用特征图之间的全局上下文关系，从而有效的提升了遥感图像目标间的边缘分割精度，提升了整体的准确率。

技术领域

本发明涉及遥感图像语义分割领域，特别涉及一种基于多尺度注意力的半监督遥感图像语义分割方法、装置和计算机设备。

背景技术

在遥感图像的研究中，遥感图像的语义分割针对遥感影像中每一个像素点进行分类，一直是遥感图像中一个重要的研究方向。传统的遥感图像语义分割的方法经常使用机器学习算法，但分类的准确度还需要进一步提高。近些年以来，随着深度学习的发展，卷积神经网络(CNN)具有出色特征提取能力的已经被广泛应用于图像处理的各个领域，如场景分类等。Long提出了全卷积网络(FCN)，把CNN网络中的全连接层换成全卷积层。与以往的图像分类方法不同，FCN可以实现任意大小的图像分割。SegNet提出了反卷积结构，通过跳过连接来利用中间层的特征。Gangfu等提出了一种多尺度的网络结构，取代了传统的卷积，膨胀的卷积增加感受野而不降低空间分辨率。空洞空间金字塔结构(ASPP)主要是提出了多个空洞卷积分支，它们有不同空洞率，来提取多尺度特征，对图像中目标的分割精度提升明显。Deeplabv3网络经过多次改进，目前已经成为深度学习语义分割领域最为成功的网络模型。其最新的版本Deeplabv3+在多个公开数据集上取得了最高精度。多尺度整合可以有效解决目标分割问题。单个神经网络模型具有多个不同大小的感受野来适应多个尺寸的目标分割。鉴于全卷积网络具有相比于传统机器学习的优秀性能，许多学者将CNN应用于遥感图像语义分割，深度卷积网络在遥感图像的很多领域都起着越来越重要的作用。还有的提出两个独立的全卷积网络分支，采用光学遥感的分割图像和高度信息作为两个分支的输入。经过一系列的卷积运算后，两个分支的预测分割结果加以融合。以上这些方法在标注数据充足时能够取得较为理想的效果。

遥感图像语义分割可以用来进行地理检测，对于获取地标地貌信息有着重要的作用。近些年以来，随着遥感图像的获取越来越便利，以及图像质量的提升，对于遥感图像的研究也越来越多。遥感图像语义分割需要对特征图上的每一个像素点进行分类，因此对于标注图像来说，每一个像素点也都需要进行标注。随着遥感图像获取分辨率的提升，其语义分割标注也变得更加困难，目标的边缘也很难准确的分割出来。目前主流的遥感图像语义分割研究大多是基于深度卷积神经网络的。李宇提出了一种基于深度卷积融合条件随机场的图像语义分割方法，将浅层的细节信息和高层的语义信息融入网络模型，同时将条件随机场的参数推断以迭代层的形嵌入网络架构，搭建网络模型，在模型训练的正反向传播过程中综合利用遥感图像丰富的细节信息和上下文信息，实现端到端的遥感图像语义分割。尚群峰提出一种基于编码与解码结构特征连接的方法，对DeconvNet网络模型进行改进。模型在编码时,通过记录池化索引的位置并应用于上池化过程中，能够有效的保留空间结构信息；在解码时，利用编码与解码对应特征层连接的方式使模型有效地进行特征提取。熊风光提出了一种基于改进Deeplabv3的遥感图像语义分割方法，通过改进单一的上采样层，利用主干网络中得到的残差进行多层上采样，保证图像在分辨率上的语义完整。然而现存的遥感图像语义分割方法还存在无法很好的利用无标注数据，因而在标注数据较少时，分割效果不佳。当遥感图像标注数据不足时，如何对于提取目标，提升语义分割的效果，还有提升的空间。当前的半监督分割方法，由于未关注到长距离相关，导致遥感图像中目标边缘分割不精确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种半监督遥感图像语义分割方法、装置和计算机设备。

本发明实施例提供一种半监督遥感图像语义分割方法，包括：

获取原始遥感图像；