(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 202210804637.0 (22)申请日 2022.07.08 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区八一路 299号 (72)发明人 张洪艳　曾薪鑫　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/52(2022.01)G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 一种空间约束下的全监督农田地块提取方 法 (57)摘要 本发明提供一种空间约束下全监督农田地 块提取方法。 通过构建基于双任务的网络框架， 利用语义分支网络捕获不同空间尺度的农田地 块特征及其全局上下文信息， 降低地块分割不完 整现象； 使用边缘分支网络则用于增强 网络模型 对各类农田地块边缘部分的信息捕获， 以降低地 块之间的黏连现象； 两分支之间采用深度引导自 适应融合策略进行信息互补， 整个网络在交叉熵 损失函数基础上增加边缘损失函数进行空间约 束。 同地区测试与迁移测试实验表明， 本发明能 够在充分挖掘多尺度特征的同时保留高分辨率 细节信息、 增强网络的类别判断能力， 有效缓解 了在多类型、 面积形状差异大、 分布密集的农田 场景中易出现的农田地块提取不完整、 相邻地块 黏连等问题。 权利要求书3页 说明书8页 附图2页 CN 115311575 A 2022.11.08 CN 115311575 A 1.一种空间约束下的全监 督农田地 块提取方法， 其特 征在于， 包括以下步骤： 步骤1， 构建深度学习网络模型， 具体包 含以下6个子步骤： 步骤1‑1， 对输入图像进行降采样； 步骤1‑2， 提取降采样图像的多尺度特 征； 步骤1‑3， 对多尺度特 征进行增强， 获得增强后的多尺度特 征图； 步骤1‑4， 获取边 缘语义增强信息特 征图； 步骤1‑5， 对增强后的多尺度特 征图和边 缘语义增强信息特 征图进行自适应融合； 步骤1‑6， 设计损失函数； 步骤2， 训练深度学习网络模型并保存， 在训练过程中验证精度最优的参数组， 使用最 优的参数组对不同于训练数据的区域进行测试， 实现农田地 块提取。 2.如权利要求1所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑1中通过两个3 *3卷积层、 ReLU函数与批量归一 化层实现对输入图像的降采样。 3.如权利要求1所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑2中通过多尺度特征提取模块提取降采样图像的多尺度特征， 所述多尺度特征提取结构 为并行的多分支结构， 采用固定特 征图分辨 率的方式来保留丰富的位置信息； 将输入数据记为 其中HI、 WI、 CI分别为输入数据的长、 宽、 通道数， N为输 入数据的HI*WI*CI数量， 即bat ch size， 3*3卷积层分别定义为： 其中CI表示输入通道 数， CO表示输出通道数； 每一阶段卷积操作模块记为S， 该模块由多个无下采样的卷积操作B 组成， B由2次 ReLU函数与BN层构成， 表示 为： 将第i阶段、 第i个分支分别表示为Si、 Bi， 在多尺度特征提取模块中有多少 个阶段就有 多少个分支， 第i个分支会经过i个阶段， 其中每一阶段的基础卷积操作是模块S； 在第一阶 段S1， 只有一个分支B1， 输入数据I 经过一个阶段卷积操作模块S后经下采样操作得到 新的特 征图， 即为产生新的分支B2， 由此两个分支 进入下一阶段S2； 为了增强特征提取能力， 从第二 阶段开始， 每一分支之间存在信息交 互的过程， 以上 过程可表示 为： Bi+1＝Downsample(Bi),i≥1            (2) 其中， Upsample表示上采样 操作， Downsample表示下采样 操作， Concate表示 通道级联。 4.如权利要求3所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑3中通过构建全局上下文信息增强模块实现对多尺度特征的增强， 所述全局上下文信息 增强模块是通过自注 意力机制建立图像中每一个像素的长距离依赖， 用以增强地块内部的 一致性， 缓解大农田地块提取不连续、 小农田地块漏提取 的问题； 另外， 除去多尺度特征提 取模块中的第一个分支之外， 其他分支后均增加 一个全局上下文信息增强模块， 两者共同 构成语义分支网络； 将输入特征图记为 输出特征图为 则全局上下文信息 增强模块的过程可表示 为：权　利　要　求　书 1/3 页 2 CN 115311575 A 2其中， I′表示I转置后的特 征图， 其大小为 N*HIWI；⊙为点积操作； 输入图像经过步骤1 ‑1至步骤1 ‑3， 得到了多个特征图， 将这些特征图进行通道级联便 构成了语义分支网络的输出 特征图， 记为Fs。 5.如权利要求4所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑4中通过构建边缘分支网络获取边缘语义增强信息特征图， 该分支网络的核心模块为边 缘注意力模块， 并通过保持高分辨率来获取丰富的边缘细节信息； 边缘注意力模块的输入 数据共有两部分， 分别记为Is、 Is+1， s表示多尺度特征提取模块中的阶段； 边缘注意力模块 有以下两个过程： 1)计算边缘信息的空间注意力特征图， 记为Ao； 2)获取边缘语义增强信息 特征图， 记为Fo， 可分别表示 为： Fo＝(Ao⊙Is)+Is            (7) 其中， Upsample表示上采样 操作， Concate表示 通道级联， ⊙为点积操作； 边缘注意力模块后接一个无下采样的卷积操作B， 将多个边缘注意力模块+无下采样的 卷积操作B依次连接构建边缘分支网络； 其中， 除第一次执行边缘注意力模块时Is源于第s 阶段的多尺度特征结构输出， 后续的Is均来自于边缘分支网络， 而Is+1均来自第s+1阶段的 多尺度特征结构输出； 由多个边缘注意力模块与卷积操作B构建起来的边缘分支网络最后 所得的输出 特征图， 记为Fe。 6.如权利要求1所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑5中使用基于注意力机制的自适应融合方法对增强后的多尺度特征和边缘语义增强信息 特征图进行自适应融合， 将融合后的结果图记为Fa， 增强后的多尺度特征图、 边缘语义增强 信息特征图分别记为Fs、 Fe， 则其过程可表示 为： Fa＝E(Sigmo id(Upsample(Fe))⊙Upsample(Fs)+Upsample(Fs))    (8) 其中， Upsample是上采样操作， E由两个无下采样的 1个ReLU函数与1个BN层构 成。 7.如权利要求1所述的一种空间约束下的全监督农田地块提取方法， 其特征在于： 步骤 1‑6中的损失函数为空间约束损失， 所述空间约束损失由两 分支网络的损失函数共同构成， 其中， 语义分支网络， 即步骤1.3使用交叉熵损失函数LS， 边缘分支网络， 即步骤1.4使用平 衡交叉熵损失函数LE， 通过增加超参数来控制正负样本之间数量差异导致的不平衡问题； 两者可分别表示 为： 其中， N为像素数量， yi表示像素i的标签值， Pi表示像素i对应的预测输出概率值， 超参α权　利　要　求　书 2/3 页 3 CN 115311575 A 3