多尺度感知金字塔的地表覆盖分类系统和方法与流程

本公开涉及图像识别与分类领域，特别涉及一种多尺度感知金字塔的地表覆盖分类系统和方法。

背景技术：

1、随着遥感卫星发射数量的不断增多，遥感数据集的数据量也呈现出爆炸式增长的趋势，这些庞大的遥感数据具有巨大的研究价值和意义。然而，高分辨率影像往往具有地物尺度变化大、类内方差大、类间方差小、样本不平衡等问题，导致高分辨率卫星遥感影像(high-resolution satellite imagery，简称hrsi)的地表覆盖分类依然面临巨大挑战。近年来，地表覆盖分类作为地物要素解译的关键技术，已逐渐成为遥感领域的研究热点之一。因此，快速准确获取地表覆盖产品，对环境保护和城市规划等领域具有至关重要的作用。

技术实现思路

1、第一方面，本公开实施例提供了一种多尺度感知金字塔的地表覆盖分类系统，包括：

2、分层编码器，以多尺度卷积注意力网络作为骨干网络，配置为对输入的地表图像在空间分辨率递减的n个阶段中分别进行特征提取，得到各阶段所对应的特征图，n为正整数且n≥3,第1个阶段的空间分辨率最大，第n个阶段的空间分辨率最小；

3、感受野扩大模块，配置为对所述分层编码器所输出的第n个阶段所对应的特征图进行感受野扩大处理；

4、金字塔hamburger解码器，配置为将所述分层编码器所输出的前n-1个阶段所对应的n-1个特征图以及所述感受野扩大模块所输出的经过感受野扩大处理的第n个阶段所对应的1个特征图进行融合处理，得到完整融合特征图，然后基于hamburger算法从完整融合特征图中提取出全局上下文特征，再基于所述全局上下文特征预测出所述地表图像的地表覆盖分类结果。

5、在一些实施例中，所述多尺度卷积注意力网络中配置有多尺度卷积注意模块；

6、所述多尺度卷积注意模块配置为依次进行对所输入的特征图聚合局部信息的第一深度卷积、对第一深度卷积的结果捕获多尺度上下文信息的第一多分支深度条带卷积、将第一深度卷积的结果和第一多分支深度条带卷积中各分支的结果进行叠加、对叠加结果进行建模不同通道之间关系的第一1×1卷积，以及将第一1×1卷积的输出作为注意力权值，对所述多尺度卷积注意模块的输入进行重加权；

7、所述多尺度卷积注意模块表示如下：

8、

9、

10、其中，f表示输入的特征图，att表示第一1×1卷积输出的注意力图，out表示所述多尺度卷积注意模块的输出，表示基于元素的矩阵乘法运算，dw-conv(·)表示第一深度卷积，在j∈1,2,3时scalej(·)表示第j个分支的深度条带卷积，在j＝0时scale0(dw-conv(f))＝dw-conv(f)，conv1×1(·)表示第一1×1卷积。

11、在一些实施例中，所述第一深度卷积的卷积核大小为5×5；

12、所述第一多分支深度条带卷积中的第1个分支的深度条带卷积包括一对7×1和1×7的卷积，以模拟一个核大小为7×7的标准二维卷积；

13、所述第一多分支深度条带卷积中的第2个分支的深度条带卷积包括一对11×1和1×11的卷积，以模拟一个核大小为11×11的标准二维卷积；

14、所述第一多分支深度条带卷积中的第3个分支的深度条带卷积包括一对21×1和1×21的卷积，以模拟一个核大小为21×21的标准二维卷积。

15、在一些实施例中，所述感受野扩大模块具体配置为依次进行对所输入的特征图聚合局部信息的第二深度卷积、对第二深度卷积的结果捕获多尺度上下文信息的第二多分支深度条带卷积、将第二深度卷积的结果和第二多分支深度条带卷积中各分支的结果进行叠加、对叠加结果进行建模不同通道之间关系的第二1×1卷积，以及将第二1×1卷积的输出作为注意力权值，对所述感受野扩大模块的输入进行重加权；

16、所述第二深度卷积的卷积核大小为7×7；

17、所述第二多分支深度条带卷积包括3个分支；

18、所述第二多分支深度条带卷积中的第1个分支的深度条带卷积包括一对11×1和1×11的卷积，以模拟一个核大小为11×11的标准二维卷积；

19、所述第一多分支深度条带卷积中的第2个分支的深度条带卷积包括一对21×1和1×21的卷积，以模拟一个核大小为21×21的标准二维卷积；

20、所述第一多分支深度条带卷积中的第3个分支的深度条带卷积包括一对31×1和1×31的卷积，以模拟一个核大小为31×31的标准二维卷积。

21、在一些实施例中，所述金字塔hamburger解码器将所述分层编码器所输出的前n-1个阶段所对应的n-1个特征图以及所述感受野扩大模块所输出的经过感受野扩大处理的第n个阶段所对应的1个特征图进行融合处理的过程包括：

22、将所述分层编码器所输出的前n-1个阶段所对应的n-1个特征图s1～sn-1以及所述感受野扩大模块所输出的经过感受野扩大处理的第n个阶段所对应的1个特征图sn，共计n个特征图s1～sn分别依次经过卷积处理、批归一化处理和relu非线性激活处理，得到n个新特征图l1～ln，n个新特征图l1～ln的通道数统一为c，其中第i个新特征图为li，i为整数且i∈[1，n]，新特征图li表示如下：

23、li＝relu(bn(conv(ci,c)(si)))

24、将n个新特征图l1～ln，从新特征图ln到新特征图l1进行逐级的相加融合得到对应的n个中间融合特征图p1～pn，其中第i个中间融合特征图为pi，中间融合特征图pi表示如下：

25、

26、将n个中间融合特征图p1～pn在通道上进行叠加，得到完整融合特征图p：

27、

28、其中，ci表示第i个特征图的通道数，conv(ci,c)(·)表示输入向量维度为ci和输出向量维度为c的1×1卷积，bn(·)表示批归一化处理，relu(·)表示relu非线性激活处理，表示上采样处理到原图的四分之一，concat(·)表示通道叠加处理。

29、在一些实施例中，金字塔hamburger解码器基于hamburger算法从完整融合特征图中提取出全局上下文特征的过程包括：

30、将完整融合特征图p依次经过卷积处理、组归一化处理和relu非线性激活处理，得到预处理完整融合特征图，并利用hamburger算法从预处理完整融合特征图中提取全局上下文特征v；

31、v＝hamburger(relu(gn(conv(n*c,c)(p))))

32、其中，c表示conv(4c,c)(·)表示输入向量维度为n*c和输出向量维度为c的1×1卷积，gn(·)表示组归一化处理，relu(·)表示relu非线性激活处理，hamburger(·)表示hamburger算法处理，c为预先配置的常数，n*c为完整融合特征图的向量维度。

33、在一些实施例中，hamburger算法处理的模型如下：

34、

35、

36、

37、

38、其中，z为hamburger算法的输入，gn(·)表示组归一化处理，wlz表示利用第一预设线性变换算法将输入z为映射到特征空间的处理，表示矩阵分解处理，表示利用第二预设线性变换算法对矩阵分解处理结果进行再次映射处理，x表示待进行矩阵分解处理的矩阵，表示矩阵x分解后的低秩部分，e表示矩阵x分解后的噪声部分，矩阵d和矩阵c表示在进行矩阵分解过程中所创建的两个矩阵，在进行矩阵分解过程中所设定目标函数为的取值最小，是重构损失，和是矩阵d和矩阵c的正则化。

39、在一些实施例中，所述金字塔hamburger解码器基于所述全局上下文特征预测出所述地表图像的地表覆盖分类结果的过程包括：

40、将全局上下文特征v依次进行卷积处理、组归一化处理、relu非线性激活处理以及再次卷积处理，得到地表覆盖分类结果f：

41、f＝conv(c,cclass)(relu(gn(conv(c,c)(v))))

42、其中，c为全局上下文特征的向量维度，conv(c,cclass)(·)表示输入向量维度为c和输出向量维度为cclass的1×1卷积，cclass为预先配置的类别数，conv(c,c)(·)表示输入向量维度为c和输出向量维度为c的1×1卷积，gn(·)表示组归一化处理，relu(·)表示relu非线性激活处理。

43、在一些实施例中，n取值为4。

44、第二方面，本公开实施例提供了一种地表覆盖分类方法，包括：

45、利用预设样本集中的样本对第一方面中的所述地表覆盖分类系统进行训练，得到地表覆盖分类模型；

46、利用地表覆盖分类模型对待处理地表图像进行地表覆盖分类处理，得到对应的地表覆盖分类结果。