[发明专利]一种建筑物语义分割网络模型训练方法、系统及应用方法

权利要求书

1.一种建筑物语义分割网络模型训练方法，其特征在于，包括以下步骤：

基于压缩激活注意力机制、扩张卷积及LinkNet模型构建SED-LinkNet模型，所述SED-LinkNet模型为融合注意力机制和扩张卷积的建筑提取模型；所述SED-LinkNet模型在编码单元中引入一种压缩激活注意力机制单元，充分考虑编码模块所提取的浅层特征在通道维度上的分布情况，加强了对浅层特征的利用程度，通过压缩激活注意力机制单元对浅层特征进行加权激活，增加特征之间的相关性，强化建筑物特征，同时抑制背景信息的表达；

获取遥感影像；

对所述遥感影像进行预处理，得到若干个训练影像和若干个测试影像；

将若干个所述训练影像输入到所述SED-LinkNet模型进行训练，得到训练完成的SED-LinkNet模型；

将若干个所述测试影像输入到所述训练完成的SED-LinkNet模型进行验证，得到训练结果。

2.根据权利要求1所述建筑物语义分割网络模型训练方法，其特征在于，所述SED-LinkNet模型包括：

编码模块，用于对所述遥感影像进行特征提取和关注程度加强操作，得到浅层特征；

扩张卷积模块，与所述编码模块连接，用于扩大所述扩张卷积模块中各个卷积核的间隔，并对所述浅层特征进行范围扩张特征提取，得到扩张特征；

解码模块，分别与所述编码模块和所述扩张卷积模块连接；用于对所述扩张特征进行维度扩大，并融合所述浅层特征，得到与所述遥感影像分辨率一致的建筑物提取结果二值图；

所述编码模块包括：

第一卷积单元，用于对所述遥感影像进行特征提取，得到第一卷积特征；

第一最大池化单元，与所述第一卷积单元连接，用于对所述第一卷积特征进行最大池化操作，得到第一池化特征；

第一处理单元，与所述第一最大池化单元连接，用于对所述第一池化特征进行特征提取和关注程度加强操作，得到浅层特征；所述第一处理单元包括n个编码单元和n-1个压缩激活注意力机制单元；n为大于1的正整数；每两个编码单元之间设置有一个压缩激活注意力机制单元；其中第一个编码单元与所述第一最大池化单元连接，第n个编码单元与所述扩张卷积模块连接；

所述编码单元包括：

第一残差学习单元，用于对第一输入特征进行特征提取，得到第一残差特征；

第二残差学习单元，与所述第一残差学习单元连接，用于对所述第一残差特征进行特征提取，得到第二残差特征；

第二最大池化单元，与所述第二残差学习单元连接，用于对所述第二残差特征进行最大池化操作，得到第二池化特征；当所述编码单元为第一个编码单元时，所述第一输入特征为所述第一池化特征，当所述编码单元为第n个编码单元时，所述第一输入特征为第n-1个压缩激活注意力机制单元输出的特征；

所述第一残差学习单元包括：

第二卷积单元，用于对所述第一输入特征进行特征提取，得到第二卷积特征；

第一批量归一化单元，与所述第二卷积单元连接，用于对所述第二卷积特征进行批量归一化处理，得到第一批量归一化特征；

第一线性整流激活函数单元，与所述第一批量归一化单元连接，用于对所述第一批量归一化特征进行线性整流，得到第一线性整流特征；

第三卷积单元，与所述第一线性整流激活函数单元连接，用于对所述第一线性整流特征进行特征提取，得到第三卷积特征；

第二批量归一化单元，与所述第三卷积单元连接，用于对所述第三卷积特征进行批量归一化处理，得到第二批量归一化特征；

第一恒等映射单元，用于对所述第一输入特征进行恒等映射，得到第一恒等映射特征；

第一特征相加单元，分别与所述第二批量归一化单元和所述第一恒等映射单元连接，用于对所述第二批量归一化特征和所述第一恒等映射特征进行相加，得到所述第一残差特征；

所述第二残差学习单元包括：

第四卷积单元，用于对所述第一残差特征进行特征提取，得到第四卷积特征；

第三批量归一化单元，与所述第四卷积单元连接，用于对所述第四卷积特征进行批量归一化处理，得到第三批量归一化特征；

第二线性整流激活函数单元，与所述第三批量归一化单元连接，用于对所述第三批量归一化特征进行线性整流，得到第二线性整流特征；

第五卷积单元，与所述第二线性整流激活函数单元连接，用于对所述第二线性整流特征进行特征提取，得到第五卷积特征；

第四批量归一化单元，与所述第五卷积单元连接，用于对所述第五卷积特征进行批量归一化处理，得到第四批量归一化特征；

第二恒等映射单元，用于对所述第一残差特征进行恒等映射，得到第二恒等映射特征；

第二特征相加单元，分别与所述第四批量归一化单元和所述第二恒等映射单元连接，用于对所述第四批量归一化特征和所述第二恒等映射特征进行相加，得到所述第二残差特征；

所述压缩激活注意力机制单元包括：

压缩单元，用于对第二输入特征进行空间维度上的压缩，对压缩后的每个通道域进行特征提取，得到一维特征向量，并对所述一维特征向量重新分配权重，得到压缩特征；

激活单元，与所述压缩单元连接，用于计算所述压缩特征的重要程度，并根据所述压缩特征的重要程度，使用激活函数将所述压缩特征限制在[0，1]范围，得到最终一维特征向量；将所述最终一维特征向量与所述第二输入特征进行点乘操作，完成所述浅层特征关注程度的加强；所述第二输入特征为编码单元输出的第二池化特征；

所述压缩单元包括：

第一全局平均池化单元，用于对所述第二输入特征进行空间维度上的压缩对压缩后的每个通道域进行特征提取，得到一维特征向量；

第一全连接层，与所述第一全局平均池化单元连接；

第二全连接层，与所述第一全连接层连接；

通过所述第一全连接层和所述第二全连接层对所述一维特征向量重新分配权重，得到压缩特征。