技术特征：
1.基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，包括步骤：s1. 对获取的河湖遥感图像进行类别标注，划分数据集，并图像预处理；s2. 用卷积神经网络构建的编码器结构进行多层次图像特征的提取；s3. 将编码器结构最后一层输出的特征图输入transformer层捕获全局语义信息，进一步提取深层的图像特征；s4. 对经transformer层提取后的特征图进行解码器结构的上采样，上采样时在具有相同大小特征图的编码器输出和解码器输出之间建立跳跃连接，解码器上采样输出的特征图和对应跳跃连接中输出的特征图在通道上拼接，多层拼接和解码器结构的连续上采样操作实现多级特征融合，恢复细节信息；s5.利用边界细化分支网络对分割结果进一步细化，修正边界部分预测错误问题；s6. 计算混合损失函数进行模型监督训练，基于最后得到的图像分割模型获得待测河湖遥感图像中目标的类别分割结果。2.根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s1所述的预处理为将图像数据增强，然后将图像随机裁剪为固定的256
×
256的大小，并标准化处理。3.根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s2使用resnet-50为特征提取网络构建编码器结构进行多层次图像特征的提取，得到四层特征图。4. 根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s3 所述的transformer层由堆叠的transformer块组成，每个transformer块由一个多头自我注意模块和一个多层感知器组成。5. 根据权利要求4所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s3 所述的transformer块将输入的特征图转换为序列数据，通过msa模块有效建立图像中的长距离依赖关系，输出的结果由mlp模块进一步处理得到具有更强表示能力的全局特征。6.根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s4所述的每个跳跃连接中间添加一个可变形的空间模块dsm，每个dsm由两个3
×
3的卷积、一个可变形卷积和残差连接组成；其中两个3
×
3的卷积用于调整编码器输出特征图的通道数，残差连接被部署到可变形卷积的两端，可变形卷积用于沿空间维度捕捉形状感知的局部信息。7. 根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s5所述的边界细化分支网络采用了堆叠3个卷积层从原始图像中提取低层次的空间信息，然后采用了一个边界头和一个方向头从特征图中提取边界信息；边界头包含1个1
×
1 卷积、1个batchnorm层和1个relu激活函数，然后是一个1
×
1卷积用于线性分类，将分类结果上采样得到大小为h
×
w
×
1的边界图；方向头包含1个1
×
1 卷积、1个batchnorm层和1个relu激活函数，同样一个1
×
1卷积将结果分为m类，上采样后产生h
×
w
×
m的方向图。8.根据权利要求1所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法，其特征是，步骤s6所述的混合损失函数的计算公式为：
其中，l
ce
、l
dir
分别是预测图和方向图的交叉熵损失函数，l
bound
为边界图的二值交叉熵损失函数，设置，，。9.一种存储设备，其为计算机可读存储设备，其特征是，所述的计算机可读存储设备上存储有计算机程序用于实现如权利要求1-8任一项所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法中的步骤。10.一种基于可变形卷积和自注意力模型的河湖遥感图像分割设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-8任一项所述的基于可变形卷积和自注意力模型的河湖遥感图像分割方法。
技术总结
本发明涉及基于可变形卷积和自注意力模型的河湖遥感图像分割方法，属于遥感图像处理技术领域。方法包括：对获取的河湖遥感图像进行类别标注，划分数据集，图像预处理；用卷积神经网络构建的编码器结构进行多层次图像特征的提取；输入Transformer层捕获全局语义信息；利用跳跃连接进行特征图在通道上拼接，多级特征融合；利用边界细化分支网络进一步细化；计算混合损失函数进行模型监督训练。本发明一方面可充分结合CNN提取局部特征和Transformer提取全局信息的优势并利用跳跃连接实现多级特征的融合来取得更准确的结果；另一方面能提高边界特征、小物体、不规则物体特征提取的准确性，还能减少计算量。还能减少计算量。还能减少计算量。
技术研发人员：孙启玉 刘玉峰 孙平
受保护的技术使用者：山东锋士信息技术有限公司
技术研发日：2022.12.07
技术公布日：2023/1/13