[发明专利]基于注意力机制与多尺度特征的遥感图像建筑物分割方法

权利要求书

1.一种基于注意力机制与多尺度特征的遥感图像建筑物分割方法，其特征在于，构建包括编码器、中间层、解码器的语义分割网络模型FAME-Net；在编码阶段将通道注意力机制和空间维度注意力机制进行融合；在编码器与解码器之间的中间层增设锚点特征增强的空间金字塔池化C-ASPP模块；在解码阶段进行多尺度特征融合并引入平均损失函数；

所述编码器采用不含全连接层的恒等映射残差网络获取深层次特征，在编码器中对通道注意力机制和空间维度注意力机制进行级联融合后得到的融合注意力机制添加至所述残差网络的每层残差单元后；

所述通道注意力机制为：首先用不降维方法对输入特征图U进行通道级全局平均池化，获取不同通道信息，实现挤压操作，而后取消全连接层，使用k个快速一维卷积捕获跨通道局部交互信息，通过Sigmoid激活函数后，生成通道权值，获取通道依赖关系，所述k值由通道附近参与空间维度注意力机制预测的通道数C自适应确定，最后，将通道权值与输入特征图点乘，进行权重分配，得到不同重要程度的通道特征图；

所述k值通过如下公式确定：

其中的|·|_odd表示最近奇数，β＝2，b＝1；

所述在中间层增设锚点特征增强的空间金字塔池化C-ASPP模块包括：在编码器和解码器之间引入空洞空间金字塔池化层ASPP，根据特征图尺寸和感受野需求，重新整定ASPP中的扩张率为1、3、6、9，仅针对最大扩张率的卷积核锚点进行特征增强；

所述ASPP扩张率通过如下公式重新整定：

RF＝K+(K-1)(r-1)，

其中，RF为所需的感受野，r为重新整定的ASPP扩张率，K为空洞卷积核大小；

所述针对最大扩张率的卷积核锚点进行特征增强为：在扩张率为9的卷积核中引入拉普拉斯算子，进行锚点权重系数优化，构建锚点特征增强的空间金字塔池化C-ASPP模块；

所述锚点权重系数优化为：

用拉普拉斯边缘检测算子G替换卷积核锚点及其4邻域的值，将卷积核锚点及其4邻域作为有效点一同提取特征，在拉普拉斯边缘检测算子构成的3×3卷积中，利用局部空间特征信息提取新的锚点边缘特征信息权重C，卷积过程下式所示，卷积输出结果作为锚点的特征信息；

X*G＝C，

其中，X为特征图的输入向量，

所述在解码阶段进行多尺度特征融合并引入平均损失函数，包括：

在解码器中使用融合层策略设置一个多尺度特征融合模块，将特征图的浅层特征和深层特征进行融合，融合中将不同层次的特征图进行16、8、4、2倍的上采样还原成原有特征图尺度，利用通道维度Concat方法将不同尺度特征进行拼接，使用平均损失函数求取多尺度损失。

2.根据权利要求1所述的基于注意力机制与多尺度特征的遥感图像建筑物分割方法，其特征在于，所述平均损失函数L_Fina1为：

其中，为复合损失函数，其由二值交叉熵损失函数BCE Loss和DICE系数损失函数Dice Loss表述，λ用于平衡两个损失函数：

其中，L_BCE通过下式计算：

L_Dice通过下式计算：

L_BCE和L_Dice的计算公式中，P表示预测值，GT表示真实值，W和H分别代表特征图的宽度和高度，gt_ij和p_ij分别代表真实值和预测值的每个像素点。