[发明专利]基于多尺度注意力机制的地物分类方法、装置、电子设备及介质

权利要求书

1.一种基于多尺度注意力机制的地物分类方法，其特征在于，包括：

获取输入图像；

将输入图像输入至深度卷积神经网络，生成高级语义特征和低级语义特征；

将所述高级语义特征输入至空洞金字塔池化模块，生成特征图；

将所述低级语义特征输入至第二双注意力机制模块，生成特征图；

基于所述特征图和所述特征图生成预测图像；

其中，所述第二双注意力机制模块包括第二空间注意力模块和第二通道注意力模块。

2.根据权利要求1所述的方法，其特征在于，将所述低级语义特征输入至第二双注意力机制模块，生成特征图，包括：

将低级语义特征进行1×1卷积后生成低级特征图；

将低级特征图进行1×1卷积生成特征图；

将特征图输入至第二空间注意力模块，通过第二空间注意力模块对特征图经过3×3卷积、激活函数后生成特征图，将特征图经过两个堆叠的3×3卷积、激活函数后生成特征图；将特征图经过三个堆叠的3×3卷积、激活函数后生成特征图；将特征图、特征图、特征图融合后，经激活函数、1×1卷积生成特征图；

将特征图经过全局池化层、全连接层、激活函数、全连接层以及激活函数后，生成特图；

将特征图、特征图以及低级特征图相乘后，生成特征图；

将特征图与低级特征图相加，融合生成特征图。

3.根据权利要求1所述的方法，其特征在于，基于所述特征图和所述特征图生成预测图像，包括：

将特征图经过上采样后与特征图融合，生成特征图；

将特征图经过3×3卷积，生成特征图；

将特征图输入至第三双注意力机制模块，生成特征图；

特征图经过上采样生成预测图像。

4.根据权利要求2所述的方法，其特征在于，将特征图输入至第三双注意力机制模块，生成特征图，包括：

将特征图经过1×1卷积后生成特征图；

将特征图输入至第三空间注意力模块，通过第三空间注意力模块对特征图输入分别经过多个扩张率不同的3×3卷积进行卷积，生成多个不同的特征图，其中，每个i与每个扩张率对应；将多个特征图融合后、经过激活函数、1×1卷积后生成特征图；

将特征图输入至第三SEnet网络模型，通过第三SEnet网络模型对特征图进行全局池化、全连接、激活函数、全连接后、归一化后，生成特征图；

将特征图、特征图以及特征图相乘，生成特征图；

将特征图与特征图逐元素相加后，生成特征图。

5.根据权利要求1所述的方法，其特征在于，将所述高级语义特征输入至空洞金字塔池化模块，生成特征图，包括：

将高级语义特征输入至第一空间注意力模块（10），通过第一空间注意力模块（10）对高级语义特征进行1×1卷积、3×3卷积、1×7卷积、7×1卷积、最大值池化后，生成第一空间注意力特征；

将高级语义特征的输入至第一通道注意力模块（11），通过第一通道注意力模块（11）将高级语义特征的维度降低到输入的 1/16，然后经过 ReLu 激活后、再通过一个全连接层升回到原来的维度，生成第一通道注意力特征；

基于高级语义特征、第一通道注意力特征、第一空间注意力特征生成特征图；

将特征图输入至金字塔池化模块，生成特征图。

6.一种基于多尺度注意力机制的地物分类装置，其特征在于，包括：

获取模块，用于获取输入图像；

特征提取模块，用于将输入图像输入至深度卷积神经网络，生成高级语义特征和低级语义特征；

多尺度提取模块，用于将所述高级语义特征输入至空洞金字塔池化模块，生成特征图；

解码模块，用于将所述低级语义特征输入至第二双注意力机制模块，生成特征图；

生成模块，用于基于所述特征图和所述特征图生成预测图像；

其中，所述第二双注意力机制模块包括第二空间注意力模块和第二通道注意力模块。