(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210691801.1 (22)申请日 2022.06.17 (71)申请人 南通大学 地址 226000 江苏省南 通市啬园路9号 (72)发明人 刘润瑞　周侗　吕亚乔　秦广辉　 徐林飞　陶菲　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 徐激波 (51)Int.Cl. G06T 7/10(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) (54)发明名称 一种融合注意力机制和残差ASPP的遥感影 像语义分割方法 (57)摘要 本发明公开一种融合注意力机制和残差 ASPP的遥感影像语义分割方法， 包括以下方法； 步骤S1:构建融合注意力机制和残 差ASPP的神经 网络； 步骤S2:训练步骤S1中构建的融合注意力 机制和残差ASPP的神经网络； 步骤S3:利用步骤 S2中训练好的模型， 进行遥感影像语义分割， 具 体的， 通过将获取的遥感图像输入到步骤S2训练 好的融合注意力机制和残差ASPP的语义分割模 型中进行遥感图像语义分割。 本发 明采用注意力 机制与残差结构对现有模型进行改进， 提出了一 种融合注意力机制和残差ASPP的遥感影像语义 分割算法模 型， 其采用训练集和验证集对该模型 进行训练、 验证， 高效、 准确地分割遥感影像的地 物类别， 实现注意力机制与残差 结构在ASPP 模型 之中的嵌入式使用， 提高语义分割的准确率。 权利要求书2页 说明书3页 附图1页 CN 115115647 A 2022.09.27 CN 115115647 A 1.一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 包括以下 方法； 步骤S1:构建融合注意力机制和残差AS PP的神经网络； 步骤S2:训练步骤S1中构建的融合注意力机制和残差AS PP的神经网络； 步骤S3:利用步骤S2中训练好的模型， 进行遥感影像语义分割， 具体的， 通过将获取的 遥感图像输入到步骤S2训练好的融合注意力机制和残差ASPP的语义分割模型中进行遥感 图像语义分割。 2.根据权利要求1所述的一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 所述步骤S1中融合注意力机制和残差ASPP的神经网络的构建以编码器 ‑解码 器作为基础结构， 其中模型内 融合有AS PP模块， 注意力机制和残差结构。 3.根据权利要求2所述的一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 所述编码器利用注意力机制和残差结构对所述ASPP模块进行了 改进， 进而形 成包含5个空洞卷积注意力单元和1个残差单元的残差ASPP模块； 所述解码 器用于接收编码 器输出的浅层和深层特征， 具体的， 将浅层特征输入注意力模块， 并使用1 ×1卷积进行处 理， 将深层特征进行8倍上采样处理， 然后将处理后的浅层特征与深层特征融合， 融合后的 特征用3×3卷积进行处理， 进行8倍上采样处理， 经过卷积与上采样处理最 终得到网络的预 测依据。 4.根据权利要求2所述的一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 所述注意力机制采用DualAttention(DA)模块来预测道路， 荒地和森林； 通过 采用The convolutional block attention module(CBAM)模块 来预测背景， 水体， 建筑。 5.根据权利要求1所述的一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 所述 步骤S2的具体方法为： S21:从开源的遥感影像数据集(LoveDA)获取遥感影像 的数据集， 并将其按8： 1： 1的比 例划分为训练集、 验证集和 测试集。 S22:将数据预处理后的遥感图像输入步骤S1构建的融合注意力机制和残差ASPP的模 型中进行训练。 6.根据权利要求5所述的一种融合注意力机制和残差ASPP的遥感影像语义分割方法， 其特征在于， 所述 步骤S22的具体方法为： S221:遥感图像输入融合注意力机制和残差ASPP的语义分割网络模型中， 前向传播获 得语义分割网络模型输出的遥感影 像样本地物类型的形状信息； S222:采用损失函数计算预测结果与实际结果之间的损失并通过反向传播算法来不断 优化模型的参数， 损失函数使用DiceL oss+CELoss； 其损失函数计算公式如下: Total Loss＝LCE+Ldice             (5)权　利　要　求　书 1/2 页 2 CN 115115647 A 2上式中， N代表样本的总数， ti代表目标值； yi代表预测值； I代表目标值乘预测值的和； U代表； U表示预测值和目标值的和， ε表示平滑系数， 在本发明中取1e ‑5,K表示类别数， 是 预测的可能类别分布， y是真实类别分布。权　利　要　求　书 2/2 页 3 CN 115115647 A 3