(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 202211112491.X (22)申请日 2022.09.14 (71)申请人 河北省水文工程 地质勘查院 （河北 省遥感中心） 地址 050021 河北省石家庄市裕华区槐中 路131号 (72)发明人 徐雯佳　田力　许志辉　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 专利代理师 蔡运红 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/70(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/26(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进U-Net的遥感影 像建筑物提取方法 (57)摘要 本发明为一种基于改进U ‑Net的遥感影像建 筑物提取方法， 首先获取高分辨率的遥感影像， 构建遥感影像数据集； 接着， 对传统U ‑Net进行改 进， 在编码器中引入全局注意模块和密集连接模 块， 在编码器与解码器之间引入语义分析模块， 得到建筑物提取模型； 最后， 利用遥感影像数据 集对建筑物 提取模型进行训练， 获得训练后的建 筑物提取模 型； 将训练后的建筑物 提取模型用于 提取遥感影像中的建筑物。 将注 意力权重作为密 集连接的传输线索， 通过对不同注 意力模块的注 意力特征进行融合， 保证建筑物特征提取的完整 性； 语义分析模块提高了编码器提取的特征图中 特征信息的利用率， 同时对整个特征图进行融合 增强其特 征信息， 使其获得更好的分割效果。 权利要求书2页 说明书6页 附图2页 CN 115393735 A 2022.11.25 CN 115393735 A 1.一种基于改进U ‑Net的遥感影像建筑物提取方法， 其特征在于， 该方法包括以下步 骤： 第一步、 获取高分辨 率的遥感影 像， 构建遥感影 像数据集； 第二步、 对传统U ‑Net进行改进， 在编码器中引 入全局注意模块和密集连接模块， 在编 码器与解码 器之间引入语义分析模块， 得到 建筑物提取模型； 其中， 编码 器包括五个特征提 取层， 第二～ 四个特征提取层后均连接一个全局注意模块； 通过密集连接模块对各个全局 注意模块生成的注意力权重进 行密集连接， 将三个全局注意模块生成的注意力权重 分别记 为a1、 a2和a3， 注 意力权重a1分别传递至第二个全局注 意模块、 第三个全局注 意模块和第五 个特征提取层， 注意力权重a2分别传递至第三个全局注意模和第五个特征提取层， 注意力 权重a3传递至第五个特征提取层； 第二个全局注意模块将注 意力权重a1与注 意力权重a2求 均值并用于更新第二个全局注意模块的全局注意力图； 第三个全局注意模块将注意力权重 a1、 a2与a3求均值并用于更新第三个全局注意模块的全局注意力图； 第五个特征提取层将 注意力权重a1、 a2、 a3求均值并与自身计算得到的特征图相乘， 得到第五个特征提取层的输 出特征图； 语义分析模块包括四个语义分析分支， 第一语义分析分支包括第一特征融合层、 双注 意力模块和第二特征融合层， 第二语义分析分支包括第三特征融合层、 双注意力模块和第 四特征融合层， 第三语义分析分支包括第 五特征融合层， 第四语义分析分支包括一个双注 意力模块； 第四语义分析分支提取编码器的第五个特征提取层的输出特征图中的语义特征， 第四 语义分析分支的输出特征图和第三个全局注意模块输出的全局注意力图是解码器的第一 解码层的输入； 第二个全局注意模块输出的全局注意力图和 第三个全局注意模块输出的全 局注意力图作为第五特征融合层的输入， 第五特征融合层的输出特征图是解码器的第二解 码层的输入； 第一个全局注意模块输出的全局注 意力图和 第二个全局注意模块输出的全局 注意力图作为第三特征融合层的输入， 第三特征融合层的输出特征图输入到第二语义分析 分支的双注意力模块中， 第二语义分析分支的双注意力模块的输出特征图和 第五特征融合 层的输出特征图作为第四特征融合层的输入， 第四特征融合层的输出特征图分别输入到第 二特征融合层和解码 器的第三解码层； 编 码器的第一特征提取层的输出特征图和 第一个全 局注意模块输出的全局注意力图输入到第一特征融合层中进 行融合， 第一特征融合层的输 出特征图和第三特征融合层的输出特征图拼接后输入到第一语义分析分支的双注意力模 块中， 第一语义分析分支的双注意力模块的输出特征图和 第四特征融合层的输出特征图输 入到第二特征融合层中进 行特征融合， 第二特征融合层的输出特征图是解码 器的第四解码 层的输入； 第三步、 利用遥感影像数据集对建筑物提取模型进行训练， 获得训练后的建筑物提取 模型； 将训练后的建筑物提取模型用于提取遥感影 像中的建筑物。 2.根据权利要求1所述的基于改进U ‑Net的遥感影像建筑物提取方法， 其特征在于， 所 述双注意力模块包括通道注意力模块和空间注意力模块； 通道注意力模块包括平均池化操 作和最大池化操作， 将通道注意力模块的输入特征图分别进 行平均池化操作和最大池化操 作， 再将两种池化操作得到的特征图进行相加， 得到通道注意力图； 然后， 将通道注意力图 输入到空间注意力模块， 首先沿着特征图的通道轴进行平均池化操作和 最大池化操作， 并权　利　要　求　书 1/2 页 2 CN 115393735 A 2将两种池化操作得到的特征进行通道维度的拼接， 生成一个特征描述符， 特征描述符经过 一个卷积层生成空间注意力图。 3.根据权利要求1所述的基于改进U ‑Net的遥感影像建筑物提取方法， 其特征在于， 所 述解码器包括第一～四个解码层， 每个解码层均包括拼接操作、 卷积层、 归一化操作和激活 函数。 4.根据权利要求1所述的基于改进U ‑Net的遥感影像建筑物提取方法， 其特征在于， 所 述全局注意模块的具体操作为： 对于全局注意模块的输入特征图， 将输入特征图分别通过 三个不同的二维卷积层， 得到三个不同的特征图， 分别记 为q、 k和v； 将特征图q与特征图k的 转置相乘后， 再除以特征图k维度的开平方， 再将结果输入到softmax函数中， 得到输入 特征 图的注意力权 重； 将注意力权 重乘以特 征图v， 得到全局注意模块输出的全局注意力图。权　利　要　求　书 2/2 页 3 CN 115393735 A 3