(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 202211045569.0 (22)申请日 2022.08.30 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街1 158号 (72)发明人 周一鸣　滕旭阳　胡楚哲　郭明宇　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 周希良 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 基于进化混合注 意力机制的SAR图像房屋提 取方法及系统 (57)摘要 本发明公开了基于进化混合注意力机制的 SAR图像房屋提取方法及系统， 方法包括如下步 骤： S1， 获取SAR图像 数据集， 对SAR图像数据集进 行预处理， 得到实验数据集； S2， 通过主干网络采 集图像特征， 并基于进化混合注 意力机制构建房 屋分割网络； S3， 构建损失函数， 采用梯度下降和 反向传播法， 对进化混合注意力机制网络进行训 练； S4， 利用步骤S3训练完毕的进化混合注意力 机制网络对 无标签图像进行房屋分割， 并得到最 终语义分割结果。 本发明有利于识别大幅宽的 SAR图像， 同时可以增强SAR图像中的可辨识房屋 特征， 削减冗余特 征。 权利要求书5页 说明书9页 附图3页 CN 115393717 A 2022.11.25 CN 115393717 A 1.基于进化混合注意力机制的SAR图像房屋提取 方法， 其特 征是包括如下步骤： S1， 获取SAR图像数据集， 对SAR图像数据集进行 预处理， 得到实验数据集； S2， 通过主干网络采集图像特 征， 并基于进化混合注意力机制构建房屋分割网络； S3， 构建损失函数， 采用梯度下降和反向传播法， 对进化混合注意力机制网络进行训 练； S4， 利用步骤S3训练完毕的进化混合注意力机制网络对无标签图像进行房屋分割， 并 得到最终语义分割结果。 2.如权利要求1所述基于进化混合注意力机制的SAR图像房屋提取方法， 其特征是， 步 骤S1中对数据集的预处 理包括： S11， 从数据集中选取以地貌特征为主 的图像作为负样本， 用于学习地形特征， 正负样 本比例为1:1.5； S12， 将数据集按照5:1的比例分为训练集和 测试集。 3.如权利要求2所述基于进化混合注意力机制的SAR图像房屋提取方法， 其特征是， 步 骤S2的具体步骤如下： S21， 在主干网络 中采用基于空间注意力和跨维度交互模型的三重注意力模型， 所述基 于空间注意力机制和跨维度交 互模型的三重注意力模型定义如下： 该模型分三个分支模块并行操作， 其中第 一个分支为高度维度和通道维度间的交互作 用， 具体步骤如下： Z‑pool( χ )＝[MaxPo ol( χ )， AvgPo ol( χ )] 第二个分支为宽度维度和通道维度间的交 互作用， 具体步骤如下： 第三个分支用于捕获高度与宽度间的空间依赖关系， 具体步骤如下： 其中χi为第i个分支输入的特征图， 为经过逆时针旋转(anti ‑clockwise)后得到交 互结果， 为池化后的输出结果， C、 H、 W分别为特征图的通道数， 高度和宽度， MaxPool( ·) 为最大池化操作， AvgPo ol(·)为平均池化操作； S22， 对上述分支得到的特征图采用基于粒子群算法的权重计算方式， 进行加权融合， 具体步骤如下： vi＝ωvi+c1rand()(pbesti‑αi)+c2rand()(gbest ‑αi) αi＝αi+vi i＝1， 2， 3 初始化假设种群粒子个数为10， 粒子速度为0到2间的随机数， 其中速度小于1表示削弱权　利　要　求　书 1/5 页 2 CN 115393717 A 2该特征图的权重， 大于1表示增强改特征图的权重； σ 为sigmoid函数， 用于生成注意权值， f1， f2， f3为三个分支中卷积核大小为k ×k的卷积层， α1， α2， α3为由粒子群算法得到的权重， ω为惯性因子， rand()为0到1间的随机数， pbest为当前粒子的极值， gbest为全局最优值， 表示将特 征图顺时针旋转90 °恢复至原 始输入状态， y为输出 特征图； S23， 对主干网络输出的特征图， 采用基于双通道自注意力机制的双注意力 网络， 所述 基于双通道自注意力机制的双注意力网络 定义如下： 该网络由并行的空间自注意力 机制和通道自注意力 机制组成， 其中空间自注意力 机制 用于捕获特 征间的远程关联， 具体步骤如下： S＝softmax(CTB) 其中A为输入的特征图， B、 C、 D为经过卷积层后得到的特征图， sji为第i个位置对第j个 位置的影响， α 为尺度参数， 初始设置为0， 为最后的输出 特征图； 通道自注意力机制用于捕获各个通道间的依赖关系， 具体步骤如下： X＝softmax(A*A*T) 其中A*为重塑后得到的特征 图， xji为第i个通道对第j个通道的影响， β 为尺度参数， 并 初始化为0， 为最后的输出特征图； 最后将两个分支得到的特征图进行相加融 合， 得到输出结果。 4.如权利要求3所述基于进化混合注意力机制的SAR图像房屋提取方法， 其特征是， 步 骤S3中的训练过程具体如下： S31， 构建交叉熵损失函数， 逐像素计算交叉熵损失， 将预测结果与目标向量比较， 计算 公式如下： Loss＝‑[y·log(p)+(1 ‑y)·log(1‑p)] 其中， y为样本标签， 房屋建筑为1， 背景为0； p表示样本被预测为房屋建筑的概 率；权　利　要　求　书 2/5 页 3 CN 115393717 A 3