一种基于双流混合架构与梯度引导门控的遥感地物精细化提取方法与流程

本技术涉及计算机视觉、模式识别与遥感图像处理，尤其涉及一种基于双流混合架构与梯度引导门控的遥感地物精细化提取方法。

背景技术：

1、随着低空无人机遥感技术的发展，厘米级超高分辨率影像被广泛应用。此类影像信息极其丰富，但在深度学习自动化提取时面临严峻的“尺度-纹理二元悖论”挑战：一方面，大尺度地物（如大片耕地）内部的高频纹理细节导致传统卷积网络过度关注局部，产生大量破碎孔洞；另一方面，小尺度地物（如宽度不足0.2米的田埂、地界线）极易在网络下采样过程中丢失结构特征，导致提取边界模糊。

2、现有技术中，以convnext v2为代表的卷积网络通过引入全局响应归一化（grn）和全卷积掩码自编码器（fcmae），在自然图像分类与表征学习中有效缓解了特征塌陷问题。然而，直接将其迁移到超高分辨率遥感地物提取任务时，仍可能因早期大步长下采样对细粒度结构不够友好，而导致部分细长目标与弱边界信息在浅层编码阶段被削弱。

3、另一方面，为平衡全局与局部特征，现有遥感提取模型已广泛采用双流混合架构、边界增强分支或cnn/transformer融合方案。例如，dshnet通过双流混合编码增强局部与全局特征的协同，bedsn通过边界增强双流结构强化边缘表达，ilgs-net等面向建筑物提取的模型则采用局部细节流与全局语义流并行建模。这些工作共同说明：局部细节建模与全局上下文建模的结合已经成为高分辨率遥感场景中的重要技术方向。

4、现有技术仍主要集中在以下路径：其一，通过边界辅助分支或边缘检测分支提升边界表达；其二，通过局部-全局双流编码缓解尺度矛盾；其三，通过预训练和归一化策略增强主干表征稳定性。但是，大尺度区域纹理破碎与小尺度目标边缘模糊的问题仍未得到解决。

技术实现思路

1、基于此，本技术为现有遥感地物提取技术中存在的大尺度区域纹理破碎与小尺度目标边缘模糊的问题，提供了一种基于双流混合架构与梯度引导门控的遥感地物精细化提取方法。

2、本技术第一个方面，提供了一种基于双流混合架构与梯度引导门控的遥感地物精细化提取方法，包括：

3、获取待监测区域的高分辨率遥感影像，对所述高分辨率遥感影像进行标准化处理，构建输入影像张量；

4、将所述输入影像张量同时输入至高频响应增强分支和全局上下文分支，并进行并行特征提取，得到局部高频特征和全局语义特征；

5、将所述局部高频特征和全局语义特征输入至动态感知门控单元，生成融合特征图，将不同特征提取层级的融合特征图进行汇总，得到多层级融合特征图；

6、将所述多层级融合特征图输入解码器，生成地物类别概率图；

7、对所述地物类别概率图进行后处理，输出矢量化的地物分布数据。

8、所述高频响应增强分支先通过渐进式重叠下采样模块对所述输入影像张量进行浅层特征编码，输出浅层特征图，再通过卷积型特征提取网络对所述浅层特征进图行多阶段编码，得到局部高频特征。

9、所述全局上下文分支通过基于自注意力机制的特征提取网络对输入影像张量或输入影像张量的特征表示进行编码，建模不同空间区域之间的上下文关联，得到全局语义特征。

10、所述融合特征图的生成包括，

11、在高频响应增强分支与全局上下文分支的对应层级之间，通过动态感知门控单元执行特征交互；

12、所述动态感知门控单元计算输入影像张量中局部纹理特征的空间梯度特征，并获取所述高频响应增强分支中全局响应归一化层产生的通道调制统计量，将所述空间梯度特征与通道调制统计量共同作为联合门控依据，生成动态门控权重图；

13、利用所述动态门控权重图，通过局部主导型动态重加权机制对局部高频特征和全局语义特征进行融合得到融合特征，生成融合特征图；

14、由局部特征与全局特征动态加权运算后得到的融合特征的计算为：

15、；

16、其中，表示融合特征，表示局部纹理特征，表示全局语义特征，表示逐元素相乘，α表示预设的增益调节系数，表示动态门控权重图。

17、包括，

18、所述渐进式重叠下采样模块包括依次连接的第一卷积层和第二卷积层；所述第一卷积层和第二卷积层均采用3x3卷积核，步长均设置为2，填充设置为1。

19、将所述空间梯度特征与通道调制统计量共同作为联合门控依据的具体操作包括，

20、在任一特征提取层级中，对高频响应增强分支输出的局部高频特征在空间维度上计算各通道的全局响应强度，并对所述全局响应强度进行通道维度归一化处理，得到通道调制统计量；

21、将所述通道调制统计量沿空间维度广播，得到与所述局部高频特征尺寸一致的通道调制统计图；

22、基于所述局部高频特征计算空间梯度特征，所述空间梯度特征用于表征地物边界和局部高频变化位置；

23、将所述局部高频特征、全局语义特征、空间梯度特征以及通道调制统计图进行通道维度拼接，得到联合门控输入特征。

24、所述动态门控权重图的生成包括，

25、对局部高频特征采用边缘检测算子进行运算处理，生成空间梯度幅值图；

26、将所述通道响应统计量在空间维度上进行广播，得到通道显著性图；

27、将所述空间梯度幅值图、通道显著性、局部高频特征以及全局语义特征进行通道拼接，得到联合门控输入特征；

28、所述联合门控输入特征z的计算包括，

29、=；

30、其中，z表示联合门控输入特征，表示通道维度拼接，表示局部纹理特征，表示全局语义特征，表示空间梯度幅值图，表示通道显著性图；

31、将所述联合门控输入特征输入门控映射网络，经卷积映射和sigmoid激活生成动态门控权重图；

32、；

33、其中，表示动态门控权重图，表示sigmoid激活函数，表示由卷积层构成的门控映射网络。

34、还包括，

35、采用全卷积掩码自编码器对所述高频响应增强分支进行初始化权重训练，具体为：

36、在预训练阶段，鉴于高分辨率遥感影像具备高频纹理分布密集、细小边界结构丰富、图斑空间连续性要求较高的特性，采用随机掩码策略对高分辨率遥感影像进行像素遮蔽处理，掩码比例设置为50%-75%；仅选取高分辨率遥感影像中未被掩码遮挡的可视区域输入编码器，并通过稀疏卷积运算完成可视区域的特征编码；掩码遮蔽区域不参与编码过程中的卷积计算；解码器结合可视区域提取得到的特征信息以及掩码位置信息，对高分辨率遥感影像被遮蔽区域进行像素重建；最后依据重建影像与原始高分辨率遥感影像的像素差异构建重建损失函数。

37、本技术第二个方面，提供了一种电子设备，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，所述处理器执行所述程序时实现前述所述的方法。

38、本技术第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述所述的方法。

39、有益效果：在高分辨率遥感影像精细化提取场景下，通过渐进式重叠下采样与联合门控驱动的动态重加权融合相结合，以改善细长地物与复杂边缘的表达质量。其中，联合门控驱动的动态重加权融合并非单纯沿用已有边界增强分支或常规双流加权方式，而是通过空间梯度信息与通道调制统计量的联合控制，动态调节局部分支与全局分支在不同空间位置和通道上的融合偏置；边界一致性损失则作为部分实施方式下的解码阶段辅助优化手段，用于进一步提升边界输出的稳定性。

40、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。