(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 202210303635.3 (22)申请日 2022.03.24 (71)申请人 南京信息 工程大学 地址 210044 江苏省南京市浦口区宁六路 219号 (72)发明人 刘琦　李阳　肖博　路慧　杨志云　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 张恩慧 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 一种图像的目标物的分割网络、 分割系统及 其分割装置 (57)摘要 本发明提供一种图像的目标物的分割网络、 分割系统及其分割装置， 涉及遥感图像语义分割 领域。 该图像的目标物的分割网络、 分割系统及 其分割装置， 包括主干网络、 多尺度中间层构件 和解码模块， 所述多尺度中间层构 件包括注意力 模块和特征融合模块。 所述注 意力模块用于提取 的特征图， 所述特征图经过特征模块进行处理后 用以表示多尺度信息。 本发明能够捕获到高分辨 率遥感图像的深层语义信息和多尺度信息， 提高 预测的准确性。 权利要求书1页 说明书4页 附图2页 CN 114639020 A 2022.06.17 CN 114639020 A 1.一种图像的目标物的分割网络， 其特 征在于， 所述分割网络包括： 利用滑动窗口裁出 数据集； 所述数据集通过解码器提取出语义特征向量， 并将所述解码器通用的卷积被替换成 Res2Net系列卷积； 所述语义特 征向量通过中间层来进行通道信息融合； 将进行通道信息融合后的语义特 征向量通过解码器进行还原到 输入图片大小。 2.根据权利要求1所述的一种图像的目标物的分割网络， 其特征在于： 所述Res2Net的 卷积被更 换成空洞卷积。 3.根据权利要求1所述的一种图像的目标物的分割网络、 分割系统及其分割装置， 其特 征在于： 所述 通道信息融合采用了高级语义融合方法。 4.根据权利要求1所述的一种图像的目标物的分割网络、 分割系统及其分割装置， 其特 征在于： 所述解码器构建有双分支解码器结构， 所述双分支解码器结构包含一个反卷积分 支和一个特 征增强分支。 5.根据权利要求1所述的一种图像的目标物的分割网络、 分割系统及其分割装置， 其特 征在于： 所述解码器每次反卷积分支维度扩大为原来的两倍的同时， 所述特征增强分支和 所述解码器进行细节补充。 6.一种图像的目标物分割 系统， 其特 征在于， 分割 系统包括： 主干网络、 多尺度中间层构件和解码模块， 所述多尺度中间层构件包括注意力模块和 特征融合模块。 所述注意力模块用于提取 的特征图， 所述特征图经过特征模块进行处理后 用以表示多尺度信息 。 7.根据权利要求6所述的一种图像的目标物的分割系统， 其特征在于： 所述解码模块构 造有双分支解码器结构， 所述双分支解码器包 含一个反卷积分支和一个特 征增强分支。 8.根据权利要求7所述的一种图像的目标物的分割系统， 其特征在于： 所述反卷积分支 用于捕获基本信息并添加底层语义细节， 所述特征增强分支用于加强 高级语义信息并深化 多尺度信息 。 9.根据权利要求8所述的一种图像的目标物的分割系统， 其特征在于： 所述低层语义信 息为编码器在编码过程中同级传递到解码器的信息 。 10.一种图像的目标物的分割装置， 其特 征在于， 所述分割装置包括： 权利要求1 ‑5任一所述的一种图像的目标物的分割网络和权利要求6 ‑9任一所述的一 种图像的目标的分割 系统。权　利　要　求　书 1/1 页 2 CN 114639020 A 2一种图像的目标物的分割网 络、 分割系统及其分割装 置 技术领域 [0001]本发明涉及遥感图像语义分割领域， 具体为一种图像的目标物的分割网络、 分割 系统及其分割装置 。 背景技术 [0002]中国遥感系列卫星技术和数量的进步， 正逐步形成的网络服务平台， 目前相关的 遥感图像数量和质量不断提高， 使得研究人员获取高分辨率遥感图像更加方便。 这些遥感 图像在国土资源勘查、 环境检测保护、 城市规划、 农作物估产、 防灾减灾等领域发挥着重要 的作用。 但正因为数据的庞大， 如何从图像中自动、 有效、 快速地提取相关信息成为了非常 重要的一个研究方向。 其中如何在高分辨率卫星图像中 自动识别地表建筑物对城市空间数 据库的更新、 城市动态检测以及 “智慧都市 ”的建立拥有绝对性的价 值。 [0003]Pan等人提出了一种由空间和通道注意机制(SCA)组成的生成性对策 网络， 用于建 筑物的精确分割 。 Protopapa  dakis等人[4]提出了一种基于堆栈自动编码器(SAE)驱动和 半监督(SSL)的深度神经网络(DNN)， 用于从低成本卫星中提取建筑物。 Wang等人[5]提出了 一种新型的非局部残差U形网络， 该网络使用co ‑dec结构来提取和恢复特征地图， 并使用自 我注意机制来获取全局上下文信息。 Hu等人[6]曾通过设置组件来构建新模块， 以提高进 度。 此外， 在网络中引入注意机制， 提高了分割的准确性。 Liu等人[7]提出了一种可以通过 空间金字塔恢复轻量级模型细节的网络。 Chen等人[8]提出了一种自适应迭代分割方法。 Cheng等人[9]提出了一种用于端到端训练的深度主动射线网络(Darnet)， 该网络通过能量 最小化和主干CNN的反向传播来获得精确的建筑分段。 Shi等人[10]将图卷积网络(GCN)和 深层结构特征嵌入(DSFE)相结合， 提出了一种门控图卷积网络， 以生成清晰的边界和细粒 度的像素级分类。 [0004]目前高分辨率遥感图像比一般图像分辨率高， 蕴含较多的纹理特征和细节部分。 而且同一建筑色调和特征可能出现不一样的情况。 在语义提取结果中， 会出现提取不完整、 或者误提的情况。 一些研究人员为了提取更多特征， 采用了网络规模 换精度的做法。 通过加 深网络和加大网络计算量， 但是弊端往往就是网络参数动则几百万， 预测的时候不能做到 轻量级和实时性。 所以目前整个领域对于实时性和多尺度性都是十分必要的。 发明内容 [0005](一)解决的技 术问题 [0006]针对现有技术的不足， 本发明提供了一种图像的目标物的分割网络、 分割系统及 其分割装置， 能够捕获到高分辨率遥感图像的深层语义信息和多尺度信息， 提高预测的准 确性。 [0007](二)技术方案 [0008]为实现以上目的， 本发明通过以下技 术方案予以实现： [0009]一方面， 提供了一种图像的目标物的分割网络， 所述分割网络包括：说　明　书 1/4 页 3 CN 114639020 A 3