一种基于边缘多尺度注意力网络的贫困空间提取方法

本发明涉及遥感影像解译与城市空间信息提取，具体涉及一种基于深度学习和高分辨率遥感影像的贫困空间提取方法。

背景技术：

1、城市贫困空间具有建筑密集、布局不规则、空间结构复杂等特点。大孟买地区作为世界上贫困空间分布最为集中的区域之一，其贫困空间空间信息的准确获取对于城市规划、基础设施建设、人口管理以及公共服务资源配置具有重要意义。近年来，随着高分辨率可见光遥感影像空间分辨率和获取能力的不断提升，利用高分辨率遥感影像开展贫困空间识别与提取已成为城市遥感监测的重要研究方向。

2、现有贫困空间提取方法主要包括人工目视解译、基于像元的传统机器学习方法以及基于深度学习的遥感影像语义分割方法。其中，人工目视解译工作量大、效率低，难以满足大范围区域快速监测需求；基于支持向量机、随机森林等传统机器学习方法主要依赖人工设计的光谱、纹理及几何特征，对复杂场景的特征表达能力有限。贫困空间建筑屋顶材质复杂、建筑间距较小，且与裸地、植被等地物交织分布，容易出现"同物异谱"和"异物同谱"现象，导致提取精度受到较大影响。

3、近年来，卷积神经网络（convolutional neural network，cnn）及其编码器—解码器结构被广泛应用于高分辨率遥感影像语义分割，并取得了较好的提取效果。然而，现有深度学习方法在复杂高密度城市场景下仍存在一定不足。一方面，为提高提取精度，部分方法需要融合多光谱影像、合成孔径雷达（sar）影像、激光雷达（lidar）等多源遥感数据，不仅增加了数据获取成本，而且多源数据之间存在配准复杂、预处理工作量大的问题；另一方面，当仅采用单一高分辨率可见光遥感影像作为输入时，现有网络受限于多尺度特征表达能力不足以及边界信息利用不充分，在密集建筑区域容易出现目标边缘模糊、相邻建筑粘连、小尺度目标遗漏以及分割结果完整性较差等问题，影响贫困空间提取精度及模型的泛化能力。

4、因此，如何在仅利用单一高分辨率可见光遥感影像的条件下，提高复杂高密度城市场景中贫困空间的边界识别能力以及目标分割精度，同时减少对多源遥感数据的依赖，是该领域技术人员亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种面向复杂高密度城市场景的高分辨率可见光遥感影像贫困空间提取方法，以解决现有深度学习模型在复杂背景干扰下贫困空间提取精度不足的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于边缘多尺度注意力网络的贫困空间提取方法，包括以下步骤：

4、一、获取目标区域高分辨率可见光遥感影像并进行归一化预处理；

5、二、构建边缘多尺度注意力网络：采用“分层编码器-解码器”架构搭建边缘多尺度注意力网络，所述边缘多尺度注意力网络包括：骨干编码器pvtv2-b0网络、多尺度跳跃细化msr模块、边缘融合注意力efa模块以及类u-net结构的解码器；

6、三、在编码器端引入多尺度跳跃细化模块：由骨干编码器提取全局上下文特征，在编码器的各阶段输出端分别级联所述msr模块，将经过msr模块处理后的特征输入至解码器进行特征融合与上采样还原；

7、四、在解码器端引入边缘融合注意力模块：利用efa模块注意力机制提取目标区域的边界信息与空间重叠特征；

8、五、完成模型训练：引入结合二元交叉熵损失与dice损失的复合损失函数，对网络参数进行迭代优化，直至满足预设停止条件，获得训练完成的最优网络模型。

9、本发明的有益效果在于：

10、（1）本发明在编码器端引入多尺度跳跃细化（msr）模块、在解码器端引入边缘融合注意力（efa）模块，为单一影像源条件下多尺度特征表达不足与边界信息利用不充分的技术难题提供技术方法，从而提升复杂高密度城市场景中贫困空间区域的识别精度、边界完整性与空间连续性。在编码阶段，msr模块采用并行双分支结构：通过空间分支提取多尺度空间上下文特征，突破单一感受野限制，使模型能够同时捕获不同尺寸建筑目标的局部细节与广域空间依赖关系；通道分支对输入特征分别应用全局平均池化和最大池化，经共享多层感知机融合后生成通道重要性权重，实现对关键语义通道的自适应增强与无关背景噪声的有效抑制。此外，msr模块通过引入初始化为0的可学习缩放因子，在训练过程中逐步学习空间分支与通道分支的最优融合权重，以残差形式实现特征表达的动态自适应优化。在解码阶段，efa模块根据不同层级特征的特性设计了差异化的结构提取策略：深层阶段针对多次下采样导致空间边界模糊的低分辨率特征，引入可学习边缘检测器，将scharr算子捕获的梯度先验信息与可学习卷积提取的语义边缘特征通过可学习权重进行动态融合，有效恢复清晰的语义边界；浅层阶段针对高分辨率特征蕴含丰富细节但易受纹理噪声干扰的特点，采用多尺度高斯模块，在保留多尺度上下文信息的同时有效抑制高频噪声。

11、（2）本发明基于高分辨率可见光遥感影像，面向大范围贫困空间区域的自动化提取需求，在复杂城市背景下提升空间信息获取的精细化与自动化水平，降低传统城市遥感监测过程中的人工成本与计算开销，为大孟买地区及全球类似高密度城市区域的贫困空间识别与空间信息提取提供高效、可推广的技术手段。

1.一种基于边缘多尺度注意力网络的贫困空间提取方法，包括以下步骤：

2.如权利要求1所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述步骤三中多尺度跳跃细化msr模块采用并行双分支结构，包括空间分支和通道分支：

3.根据权利要求1或者2所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述步骤四边缘融合注意力efa模块包括结构提取分支和局部特征提取注意力lfea模块；所述结构提取分支根据网络深浅阶段自适应调整特征提取方式：

4.根据权利要求3所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述局部特征提取注意力lefa模块将结构信息融入语义表示的具体过程包括：

5.根据权利要求1或者2所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述步骤一对影像数据进行归一化预处理，是指将原始大幅面影像统一调整为512×512像素的分辨率，并采用imagenet标准均值和方差对影像像素值进行映射处理。

6.根据权利要求1或者2所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述步骤五中引入的复合损失函数，是由二元交叉熵损失与dice损失按0.5:0.5的固定权重比例加权组合而成，其总体损失函数表达式为：

7.根据权利要求1或者2所述的一种基于边缘多尺度注意力网络的贫困空间提取方法，其特征在于，所述步骤五模型训练的优化策略具体为：选用adamw优化器更新参数，权重衰减设定为0.01；初始学习率设定为1e-4，在前200次迭代中执行预热策略使学习率平滑上升；随后采用平台学习率调度器，当验证集损失连续5个轮次无改善时，自动将学习率降低至当前值的0.5倍；引入早停机制，以验证集上的dice系数作为监控指标。