System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种建筑物及道路单体化分割方法、电子设备及存储介质技术_技高网

一种建筑物及道路单体化分割方法、电子设备及存储介质技术

技术编号:43595865 阅读:3 留言:0更新日期:2024-12-11 14:45
一种建筑物及道路单体化分割方法、电子设备及存储介质,属于建筑物单体识别技术领域。为解决建筑物及道路单体化分割边界模糊的问题,本发明专利技术采集建筑物及道路的高分一号2米多光谱影像数据,利用人工制作建筑物及道路单体化标签数据集;构建深度多尺度特征提取模块;构建建筑物道路的多头注意力机制模块;组建特征分层提取模块;构建深浅多尺度空洞空间金字塔模块,组建特征解码模块;设计多损失函数用于指导建筑物‑道路单体化分割模型的优化;构建建筑物道路单体化分割模型DSMALnet,进行模型训练,得到最优建筑物道路单体化分割模型。本发明专利技术方法高效、准确地实现多时相卫星遥感影像中建筑物及道路的单体化分割。

【技术实现步骤摘要】

本专利技术属于建筑物单体识别,具体涉及一种建筑物及道路单体化分割方法、电子设备及存储介质


技术介绍

1、基于城镇化进程不断加快,建筑用地也随之急剧变化,及时、准确地监测建筑用地的变化可以准确掌握城市发展的状态。农村房屋的数量、面积、位置和权属等相关信息是农村土地利用规划、土地利用变化监测、新农村建设和空心村问题整治等应用的重要基础数据。目前,利用遥感影像提取建筑用地信息的传统方法主要分为3类:第一类,基于典型地物光谱特征或谱间关系的相关知识等,利用监督分类法、逻辑判别法或决策树法提取建筑用地信息。这类方法虽然能够去除裸地,提取建筑用地信息,但由于谱间关系特征在不同区域或不同图像间存在较大差异,制约了建筑用地信息提取的效率和模型的普适性;第二类,基于分类技术提取建筑用地信息。因建筑用地的光谱异质性使得该方法的提取精度往往不高,需要进行后续处理来提高精度;第三类,通过建立遥感指数模型自动提取建筑用地信息,该方法对于建筑物道路单体提取精度不准确。

2、随着人工智能的发展,对建筑物及道路的高精度、高效率、自动化的单体化提取提出了更高的要求。随着深度学习技术的发展,传统的建筑物级道路分割方法正逐渐淡出人们的视野。由于卷积神经网络在上下文信息挖掘和多尺度特征学习方面的能力,已成为分割建筑物及道路的标准方法。然而,广泛使用的编码器-解码器神经网络面临两个技术障碍,第一个问题是多尺度特征挖掘不足,容易发生误检和漏检。第二个问题是在编码和解码过程中特征会存在丢失和错位的现象,在提取过程中低级特征会减弱,同时不同尺度的特征也会发生错位


技术实现思路

1、本专利技术要解决的问题是建筑物及道路单体化分割边界模糊、过于平滑与不连续、精度低的问题,提出一种建筑物及道路单体化分割方法、电子设备及存储介质。

2、为实现上述目的,本专利技术通过以下技术方案实现:

3、一种建筑物及道路单体化分割方法,包括如下步骤:

4、s1.采集建筑物及道路的高分一号2米多光谱影像数据,利用人工制作建筑物及道路单体化标签数据集;

5、s2.构建深度多尺度特征提取模块de_mscan;

6、s3.构建建筑物道路的多头注意力机制模块mhead_brn;

7、s4.基于步骤s2构建的深度多尺度特征提取模块de_mscan及步骤s3构建的建筑物道路的多头注意力机制模块mhead_brn,组建特征分层提取模块encoder;

8、s5.构建深浅多尺度空洞空间金字塔模块ds_maspp,利用lighthamhead与mlp方法进行解码,组建特征解码模块decoder;

9、s6.设计多损失函数用于指导建筑物-道路单体化分割模型的优化;

10、s7.基于步骤s4组建的特征分层提取模块encoder、步骤s5组建的特征解码模块decoder及步骤s6设计的多损失函数,构建建筑物道路单体化分割模型dsmalnet;

11、s8.将步骤s1制作的建筑物及道路单体化标签数据集输入到步骤s7构建的建筑物道路单体化分割模型进行模型训练,得到最优建筑物道路单体化分割模型;

12、s9.利用步骤s8得到的最优建筑物道路单体化分割模型,进行目标区域的建筑物道路分割。

13、进一步的,步骤s2的具体实现方法包括如下步骤:

14、s2.1.设置de_mscan模块由2个批量归一化模块bn、1个建筑物道路的多头注意力机制模块mhead_brn,1个框架柔性网络模块ffn组成,计算过程表达式为:

15、sde_mscan=mhead_brn(bn(inputt))+inputt (1)

16、xde_mscan=ffn(bn(sde_mscan))+sde_mscan (2)

17、其中,inputt表示输入特征信息,sde_mscan表示经过bn及mhead_brn操作并于输入特征信息进行矩阵相加后的特征信息,xde_mscan表示经过bn及ffn操作后并与sde_mscan进行矩阵相加的特征信息,bn(.)表示批量归一化操作,mhead_brn(.)表示注意力机制模块计算,ffn(.)表示ffn模块计算;

18、s2.2.ffn模块计算过程表达式为:

19、ffn=conv1×1(gelu(dw_conv3×3(conv1×1(sde_mscan)))) (3)

20、其中,conv1×1(.)表示1×1卷积操作,gelu(.)表示激活函数操作,dw_conv3×3(.)表示3×3深度卷积操作。

21、进一步的,步骤s3的具体实现方法包括如下步骤:

22、s3.1.设置mhead_brn模块由2个1×1卷积、1个gelu激活函数、1个多注意力机制mhead_br模块组成,mhead_brn模块计算过程表达式为:

23、smhead_brn=gelu(conv1×1(inputh)) (4)

24、xmhead_brn=conv1×1(mhead_br(smhead_brn)) (5)

25、其中,smhead_brn表示经过1×1卷积及gelu激活函数操作的特征信息,xmhead_brn表示经过mhead_br模块及的1×1卷积操作的特征信息,conv1×1(.)表示1×1卷积操作,gelu(.)表示激活函数操作,mhead_br(.)表示mhead_br模块计算。

26、s3.2.设置mhead_br模块由3部分组成,具体结构如下:

27、s3.2.1.设置第一部分为多尺度空间及通道注意力机制,由7个不同尺度的深度卷积组成,计算过程的表达式为:

28、sdw5=dw_conv5×5(smhead_brn) (6)

29、

30、其中,sdw5、sdw7、sdw11、sdw21分别表示经过5×5、7×7、11×11、21×21卷积核的深度卷积的特征信息,dw_convi×j表示i×j卷积核的深度卷积运算,i,j∈[1,5,7,11,21];

31、s3.2.2.设置第二部分为多尺度位置注意力机制,由2个平均池化、2个最大池化、4个归一化的注意力模块nam、1个1×1卷积组成,计算过程的表达式为:

32、

33、

34、h_nam,w_nam=split(conv1×1(concat(sh_d,sw_dt))) (10)

35、xpos=h_nam×w_nam (11)

36、其中,sh_avgn,sh_maxn,sw_avgn,sw_maxn分别表示进行高度方向的平均池化、高度方向的最大池化、宽度方向的平均池化、宽度方向的最大池化后再进行nam计算得到的特征,sh_d,sw_d分别表示公式8得到的高度及宽度方向的特征进行矩阵点乘得到的特征,h_nam,w_nam分别表示公式9得到本文档来自技高网...

【技术保护点】

1.一种建筑物及道路单体化分割方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S2的具体实现方法包括如下步骤:

3.根据权利要求2所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S3的具体实现方法包括如下步骤:

4.根据权利要求3所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S4的具体实现方法为对输入的数据集进行3×3卷积核、步长为2的卷积运算得到第0个阶段计算结果Stage0;将Stage0再进行4个阶段的计算,即进行2次、2次、4次、2次步骤S2设计的DEMSCAN操作,每个阶段后连接3×3卷积核、步长为2的卷积运算进行下采样,得到4个阶段的计算结果分别为第1个阶段的计算结果Stage1、第2个阶段的计算结果Stage2、第3个阶段的计算结果Stage3、第4个阶段的计算结果Stage4。

5.根据权利要求4所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S5的DSMASPP模块分为两个部分,具体实现方法如下:

6.根据权利要求5所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S6的具体实现方法为将步骤S1得到的人工制作建筑物及道路单体化标签数据ylabel与步骤S5得到的yout分别进行多分类交叉熵损失计算、Dice损失函数计算、边缘检测损失函数计算后进行损失相加得到多损失函数指导模型优化,计算表达式为:

7.根据权利要求6所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S7构建建筑物道路单体化分割模型DSMALnet分为编码器和解码器两个阶段;编码器由5个3×3卷积进行下采样,10个DE MSCAN组成,在前四次下采后分别进行2、2、4、2次DE MSCAN计算,实现多尺度、多空间、多位置的特征信息提取;解码器将每个下采的特征信息输入到DS_MASPP模块中,再输入到lightweight Hamburger及多层感知机MLP中进行特征解码得到预测结果;损失函数采用多损失函数进行模型损失评价。

8.根据权利要求7所述的一种建筑物及道路单体化分割方法,其特征在于,步骤S8中将步骤S1制作的建筑物及道路单体化标签数据集输入到步骤S7构建的建筑物道路单体化分割模型DSMALnet进行模型训练,得到最优建筑物道路单体化分割模型;利用平均交并比mIoU、类别平均像素准确率mPA、整体分类精度Accuracy、准确率Precision、召回率Recall、F1评分来评价模型分割的精度。

9.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种建筑物及道路单体化分割方法的步骤。

10.一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权利要求1-7任一项所述的一种建筑物及道路单体化分割方法。

...

【技术特征摘要】

1.一种建筑物及道路单体化分割方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种建筑物及道路单体化分割方法,其特征在于,步骤s2的具体实现方法包括如下步骤:

3.根据权利要求2所述的一种建筑物及道路单体化分割方法,其特征在于,步骤s3的具体实现方法包括如下步骤:

4.根据权利要求3所述的一种建筑物及道路单体化分割方法,其特征在于,步骤s4的具体实现方法为对输入的数据集进行3×3卷积核、步长为2的卷积运算得到第0个阶段计算结果stage0;将stage0再进行4个阶段的计算,即进行2次、2次、4次、2次步骤s2设计的demscan操作,每个阶段后连接3×3卷积核、步长为2的卷积运算进行下采样,得到4个阶段的计算结果分别为第1个阶段的计算结果stage1、第2个阶段的计算结果stage2、第3个阶段的计算结果stage3、第4个阶段的计算结果stage4。

5.根据权利要求4所述的一种建筑物及道路单体化分割方法,其特征在于,步骤s5的dsmaspp模块分为两个部分,具体实现方法如下:

6.根据权利要求5所述的一种建筑物及道路单体化分割方法,其特征在于,步骤s6的具体实现方法为将步骤s1得到的人工制作建筑物及道路单体化标签数据ylabel与步骤s5得到的yout分别进行多分类交叉熵损失计算、dice损失函数计算、边缘检测损失函数计算后进行损失相加得到多损失函数指导模型优化,计算表达式为:<...

【专利技术属性】
技术研发人员:宋振强高磊高晓东马洪坤张振
申请(专利权)人:哈尔滨航天恒星数据系统科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1