一种基于深度学习的遥感图像不透水面提取方法技术

本发明专利技术提出一种基于深度学习的遥感图像不透水面提取方法，包括，获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过训练数据对初始化模型进行训练，得到遥感图像不透水面提取模型；获取目标遥感图像，将目标遥感图像输入遥感图像不透水面提取模型，得到不透水面提取图。通过本发明专利技术提出的方法，利用深度神经网络进行不透水面提取，综合利用遥感图像中不透水面的各个特征，提升了识别效果。提升了识别效果。提升了识别效果。

【技术实现步骤摘要】
With OSM POI)，OSM POI数据的可用性是一个潜在的限制。
[0006]随着深度学习的发展，语义分割领域出现多种卷积神经网络以实现对图像的像素级分割，深度神经网络在遥感图像中的应用也越来越广泛。利用深度神经网络进行不透水面提取，可以综合利用遥感图像中不透水面的各个特征，提升识别效果。我们提出了一种基于深度学习的双分支架构提取遥感图像不透水面，将Transformer和CNN与注意机制相结合，称为TCA
‑
NET。具体来说，使用transformer分支来捕获长距离和大规模的依赖关系，并使用UNet分支来获取底层细节。在transformer分支中，使用CNN
‑
Transformer混合结构代替单一的transformer，这样可以避免原始上采样导致的细节信息丢失。在UNet分支中，加入了coordinate attention机制来提高UNet捕获依赖关系的能力，进一步提升小物体检测的准确率。

技术实现思路

[0007]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0008]为此，本专利技术的目的在于提出一种基于深度学习的遥感图像不透水面提取方法，用于实现通过深度神经网络进行不透水面提取。
[0009]为达上述目的，本专利技术第一方面实施例提出了一种基于深度学习的遥感图像不透水面提取方法，包括：
[0010]获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；
[0011]将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型；
[0012]获取目标遥感图像，将所述目标遥感图像输入所述不透水面遥感图像提取模型，得到不透水面提取图。
[0013]另外，根据本专利技术上述实施例的一种基于深度学习的遥感图像不透水面提取方法还可以具有以下附加的技术特征：
[0014]进一步地，在本专利技术的一个实施例中，将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：
[0015]在transformer分支中，使用CNN
‑
Transformer混合结构代替单一的transformer，送入transformer layer进行处理；
[0016]在transformer layer中，将传统的Vit Block重复12次；
[0017]通过卷积操作将transformer layer的输出特征图恢复到H
×
W
×
C。
[0018]进一步地，在本专利技术的一个实施例中，将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：
[0019]在UNet分支中，加入coordinate attention机制，具体包括在UNet的每两个解码块之间加入坐标注意力模块；最终输出H
×
W
×
C；
[0020]将transformer分支与UNet分支的输出融合后送入分割层分割得到不透水面提取图。
[0021]进一步地，在本专利技术的一个实施例中，通过训练数据对初始化模型进行训练，得到遥感图像不透水面提取模型，包括：
[0022]遥感图像不透水面提取模型的输出表示为：
[0023]进一步地，在本专利技术的一个实施例中，通过训练数据对初始化模型进行训练，得到遥感图像不透水面提取模型，还包括：
[0024]引入混合损失函数对遥感图像不透水面提取模型进行优化，公式如下：
[0025]L
total
＝αL
Dice
+βL
BCE
，
[0026][0027]L
BCE
＝
‑
(true
×
log(pred+(1
‑
true)
×
log(1
‑
pred)))，
[0028]其中，α，β是平衡因子。
[0029]为达上述目的，本专利技术第二方面实施例提出了一种基于深度学习的遥感图像不透水面提取装置，包括以下模块：
[0030]获取模块，用于获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；
[0031]训练模块，用于将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型；
[0032]提取模块，用于获取目标遥感图像，将所述目标遥感图像输入所述遥感图像不透水面提取模型，得到不透水面提取图。
[0033]进一步地，在本专利技术的一个实施例中，训练模块，还用于
[0034]在transformer分支中，使用CNN
‑
Transformer混合结构代替单一的transformer，送入transformer layer进行处理；
[0035]在transformer layer中，将传统的Vit Block重复12次；
[0036]通过卷积操作将transformer layer的输出特征图恢复到H
×
W
×
C；
[0037]在UNet分支中，加入coordinate attention机制，具体包括在UNet的每两个解码块之间加入坐标注意力模块；最终输出H
×
W
×
C；
[0038]将transformer分支与UNet分支的输出融合后送入分割层分割得到不透水面提取图。
[0039]进一步地，在本专利技术的一个实施例中，训练模块，还用于：
[0040]引入混合损失函数对不透水面遥感图像提取模型进行优化。
[0041]为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于深度学习的遥感图像不透水面提取方法。
[0042]为达上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种基于深度学习的遥感图像不透水面提取方法。
[0043]本专利技术实施例提出的基于深度学习的遥感图像不透水面提取方法，将Transformer和CNN与注意机制相结合，称为TCA
‑
NET。具体来说，使用transformer分支来捕获长距离和大规模的依赖关系，并使用UNet分支来获取底层细节。在transformer分支中，使用CNN
‑
Transformer混合结构代替单一的transformer，这样可以避免原始上采样导致的
细节信息丢失。在UNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感图像不透水面提取方法，其特征在于，包括以下步骤：获取原始遥感数据及其对应不透水面图，并按照一定的比例划分训练数据；将Transformer和CNN与注意机制相结合构建初始化遥感图像不透水面提取模型；通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型；获取目标遥感图像，将所述目标遥感图像输入所述遥感图像不透水面提取模型，得到不透水面提取图。2.根据权利要求1所述的方法，其特征在于，所述将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：在transformer分支中，使用CNN
‑
Transformer混合结构代替单一的transformer，送入transformer layer进行处理；在transformer layer中，将传统的Vit Block重复12次；通过卷积操作将transformer layer的输出特征图恢复到H
×
W
×
C。3.根据权利要求1或2所述的方法，其特征在于，所述将Transformer和CNN与注意机制相结合构建初始化不透水面遥感图像提取模型，包括：在UNet分支中，加入coordinate attention机制，具体包括在UNet的每两个解码块之间加入坐标注意力模块；最终输出H
×
W
×
C；将所述transformer分支与所述UNet分支的输出融合后送入分割层得到不透水面提取图。4.根据权利要求1所述的方法，其特征在于，通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型，包括：所述不透水面遥感图像提取模型的输入表示为：5.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据对所述初始化模型进行训练，得到遥感图像不透水面提取模型，还包括：引入混合损失函数对所述遥感图像不透水面提取模型进行优化，公式如下：L
total
＝αL
Dice
+βL
BCE
，L
BCE
＝
‑
(true
×
...

【专利技术属性】
技术研发人员：邱德慧，张文婧，熊泽，唐帅，徐敏，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：