基于跨维度注意力机制的自监督单遥感图像超分辨率方法与流程

技术特征：
1.一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法，其特征在于，所述方法包括：将输入图像进行下采样。提取图像的卷积特征。计算通道特征和空间特征的权重，其中，图像卷积特征中不同通道的权值矩阵为t
c
：t
c
＝sigmoid(f1×1(relu(f1×1(avg(f)))))其中，f∈r
c
×
h
×
w
为图像卷积特征；avg为全局平均池化，f1×1为卷积核大小为1
×
1的卷积操作；图像卷积特征中不同空间的权值矩阵为t
s
：t
s
＝sigmoid(f1×1(f))其中，f∈r
c
×
h
×
w
为图像卷积特征；f1×1为卷积核大小为1
×
1的卷积操作。计算带有通道权重和空间权重的通道
‑
空间特征权重t∈r
c
×
h
×
w
：其中，f1×1为卷积核大小为1
×
1的卷积操作。计算跨维度注意力机制的输出图像特征计算跨维度注意力机制的输出图像特征使用最小绝对值偏差作为损失函数，优化训练过程，其中，最小绝对值偏差l1为：其中，θ为跨维度注意力机制网络(cdan)的参数，lr是输入的低分辨率图像，是将lr进行s倍下采样后的图像。2.根据权利要求1所述的图像超分辨率方法，其特征在于，所述将输入图像进行下采样，具体为：利用一张低分辨率遥感图像作为输入，进行s倍的下采样操作得到对应于输入图像的更低分辨率图像，其大小为构造出对于输入图像的匹配图像对。3.根据权利要求1或2所述的图像超分辨率方法，其特征在于，所述提取图像的卷积特征，具体为：通过relu层、卷积层得到图像卷积特征。

技术总结
本发明公开了一种基于跨维度注意力机制的自监督单遥感图像超分辨率方法，属于模式识别技术领域，提出跨维度注意力机制引导网络，跨维度注意力机制引导网络是一种自监督超分辨率方法，利用单张图像内部信息的可再现性，避免模型性能对于大规模训练数据集的依赖，通过将输入的图像进行下采样，组成自训练对，在训练过程中学习图像内部的自相似性和退化过程，然后将输入的低分辨率图像进行图像超分辨率重建。其次还提出跨维度注意力机制模块，通过对图片特征的通道与空间特征之间的相互依赖关系建模，考虑通道维度与空间维度之间的相互作用，通过学习得到通道与空间的特征权重，选择性地捕捉更多的信息特征，进而提高静态卷积神经网络的学习能力。积神经网络的学习能力。积神经网络的学习能力。


技术研发人员：刘宝弟 赵丽飞 姜文宗 王延江 刘伟锋
受保护的技术使用者：中国石油大学（华东）
技术研发日：2021.09.18
技术公布日：2021/12/14