本發(fā)明涉及圖像處理，尤其涉及一種輕量化sar圖像分割網(wǎng)絡(luò)系統(tǒng)、分割方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、極地海冰融化對(duì)人類活動(dòng)產(chǎn)生顯著影響，實(shí)時(shí)監(jiān)測海冰對(duì)指導(dǎo)海上活動(dòng)、預(yù)防災(zāi)害和減少損失至關(guān)重要。利用合成孔徑雷達(dá)（synthetic?aperture?radar，sar）海冰圖像和深度學(xué)習(xí)方法進(jìn)行海冰分類，已成為北極航道路徑規(guī)劃和應(yīng)急響應(yīng)的關(guān)鍵技術(shù)。

2、卷積神經(jīng)網(wǎng)絡(luò)在海冰的識(shí)別與分類工作中展現(xiàn)出了巨大的潛力。研究人員開始采用基礎(chǔ)的cnn架構(gòu)，依據(jù)sar圖像中海冰的后向散射信號(hào)差異來實(shí)現(xiàn)海冰的初步區(qū)分。這種方法能夠自動(dòng)從復(fù)雜的sar圖像中提取有用的特征，減少了人工干預(yù)，且表現(xiàn)出較好的魯棒性而受到青睞。圖像分割能夠精確地定位和識(shí)別圖像中的每個(gè)像素屬于哪個(gè)對(duì)象，這對(duì)于理解圖像的詳細(xì)內(nèi)容至關(guān)重要，因此基于卷積神經(jīng)網(wǎng)絡(luò)的sar海冰分割方法十分適合用于北極航道的海冰分類。

3、目前基于深度學(xué)習(xí)的海冰分割方法大多傾向于如何優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，或使用多源數(shù)據(jù)，提高分類準(zhǔn)確率。遙感圖像采集時(shí)間短，數(shù)據(jù)量大，在時(shí)效性要求不高的情景下可以采用增加模型復(fù)雜度和增加數(shù)據(jù)來源的方式提高分類精度。但是針對(duì)緊急情況，如北極航道實(shí)時(shí)路徑規(guī)劃、海上海冰災(zāi)害應(yīng)急響應(yīng)等，這種方式并不適用。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種輕量化sar圖像分割網(wǎng)絡(luò)系統(tǒng)、分割方法、設(shè)備及介質(zhì)，用于至少部分解決上述技術(shù)問題。

2、本發(fā)明的第一方面提供了一種輕量化sar圖像分割網(wǎng)絡(luò)系統(tǒng)，包括：多個(gè)級(jí)聯(lián)的下采樣模塊，被配置為對(duì)sar圖像進(jìn)行多次下采樣，得到不同尺度的第一特征圖；空洞空間金字塔池化模塊，被配置為對(duì)最后一級(jí)下采樣輸出的第一特征圖進(jìn)行空洞卷積以及在不同的尺度上進(jìn)行池化，得到第二特征圖；特征融合模塊，被配置為對(duì)第一特征圖和第二特征圖進(jìn)行自適應(yīng)加權(quán)融合，得到第三特征圖；輕量化通道注意力模塊，被配置為基于輕量級(jí)的通道注意力機(jī)制，自適應(yīng)調(diào)整第三特征圖中各通道的權(quán)重，得到第四特征圖；上采樣模塊，用于對(duì)第四特征圖進(jìn)行上采樣，得到分割圖像，分割圖像包括目標(biāo)對(duì)象的分割結(jié)果。

3、根據(jù)本發(fā)明的實(shí)施例，空洞空間金字塔池化模塊，包括：并行的空洞卷積分支和金字塔池化分支、第一融合單元和第一卷積單元；空洞卷積分支被配置為獲取最后一級(jí)下采樣輸出的第一特征圖的上下文語義信息，得到第一融合特征圖；金字塔池化分支被配置為獲取最后一級(jí)下采樣輸出的第一特征圖的不同區(qū)域的信息，得到第二融合特征圖；第一融合單元，被配置為對(duì)第一融合特征圖、最后一級(jí)下采樣輸出的第一特征圖、第二融合特征圖進(jìn)行融合處理，得到第五特征圖；第一卷積單元，被配置為對(duì)第五特征圖進(jìn)行卷積處理以壓縮第五特征圖的通道數(shù)，得到第二特征圖。

4、根據(jù)本發(fā)明的實(shí)施例，空洞卷積分支包括多個(gè)并行的擴(kuò)張率不同的空洞卷積單元，第二融合單元和第二卷積單元；多個(gè)并行的擴(kuò)張率不同的空洞卷積單元被配置為基于不同的感受野捕獲最后一級(jí)下采樣輸出的第一特征圖的上下文語義信息；第一融合單元被配置為融合捕獲的上下文語義信息；第二卷積單元被配置為對(duì)融合后的上下文語義信息進(jìn)行卷積處理，得到第一融合特征圖；金字塔池化分支包括多個(gè)并行的尺度不同的自適應(yīng)池化層、第三融合單元和第三卷積單元；多個(gè)并行的尺度不同的自適應(yīng)池化層被配置為對(duì)最后一級(jí)下采樣輸出的第一特征圖在不同的尺度上進(jìn)行池化，得到不同區(qū)域的信息；第三融合單元被配置為融合不同區(qū)域的信息；第三卷積單元被配置為對(duì)融合后的不同區(qū)域的信息進(jìn)行卷積處理，得到第二融合特征圖。

5、根據(jù)本發(fā)明的實(shí)施例，特征融合模塊包括：第一上采樣單元，被配置為對(duì)第二特征圖進(jìn)行上采樣，以匹配第一特征圖的分辨率；第四融合單元，被配置為對(duì)第一特征圖和上采樣后的第二特征圖進(jìn)行元素相加，第三融合特征圖；第一分支，被配置為從第三融合特征圖中獲取全局特征；第二分支，被配置為從第三融合特征圖中獲取局部特征；第一激活層，被配置為基于融合后的全局特征和局部特征確定第一特征圖對(duì)應(yīng)的第一權(quán)重以及第二特征圖對(duì)應(yīng)的第二權(quán)重；第四融合單元，被配置為基于第一權(quán)重和第二權(quán)重，對(duì)第一特征圖和第二特征圖進(jìn)行加權(quán)融合，得到第三特征圖。

6、根據(jù)本發(fā)明的實(shí)施例，輕量化通道注意力模塊包括依次連接的全局平均池化單元、1×1卷積層、第二激活層和融合層，融合層的輸入為第三特征圖和第二激活層的輸出；全局平均池化單元、1×1卷積層、第二激活層基于輕量級(jí)的通道注意力機(jī)制，自適應(yīng)調(diào)整第三特征圖中各通道的權(quán)重。

7、根據(jù)本發(fā)明的實(shí)施例，多個(gè)級(jí)聯(lián)的下采樣模塊的卷積處理為深度可分離卷積，深度可分離卷積操作包括深度卷積和逐點(diǎn)卷積。

8、根據(jù)本發(fā)明的實(shí)施例，深度卷積中每個(gè)輸入通道獨(dú)立應(yīng)用一個(gè)卷積核；逐點(diǎn)卷積采用1×1的卷積核，對(duì)深度卷積的輸出進(jìn)行卷，以融合不同通道的特征。

9、本發(fā)明的第二方面提供了一種輕量化sar圖像分割方法，基于上述輕量化sar圖像分割網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)，包括：對(duì)sar圖像進(jìn)行多次下采樣，得到不同尺度的第一特征圖；對(duì)最后一級(jí)下采樣輸出的第一特征圖進(jìn)行空洞卷積以及在不同的尺度上進(jìn)行池化，得到第二特征圖；對(duì)第一特征圖和第二特征圖進(jìn)行自適應(yīng)加權(quán)融合，得到第三特征圖；基于過輕量級(jí)的通道注意力機(jī)制，自適應(yīng)調(diào)整第三特征圖中各通道的權(quán)重，得到第四特征圖；對(duì)第四特征圖進(jìn)行上采樣，得到分割圖像，分割圖像包括目標(biāo)對(duì)象的分割結(jié)果。

10、本發(fā)明的第三方面提供了一種電子設(shè)備，包括：一個(gè)或多個(gè)處理器；存儲(chǔ)器，用于存儲(chǔ)一個(gè)或多個(gè)程序，其中，當(dāng)一個(gè)或多個(gè)程序被一個(gè)或多個(gè)處理器執(zhí)行時(shí)，使得一個(gè)或多個(gè)處理器實(shí)現(xiàn)上述方法。

11、本發(fā)明的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有可執(zhí)行指令，該指令被處理器執(zhí)行時(shí)使處理器實(shí)現(xiàn)上述方法。

12、根據(jù)本發(fā)明實(shí)施例的輕量化sar圖像分割網(wǎng)絡(luò)系統(tǒng)、分割方法、設(shè)備及介質(zhì)，至少具有以下有益效果：

13、通過空洞空間金字塔池化模塊對(duì)圖像進(jìn)行空洞卷積以及在不同的尺度上進(jìn)行池化，并基于特征融合模塊對(duì)圖像進(jìn)行自適應(yīng)融合，能夠提取更加豐富的特征，改善圖像的細(xì)節(jié)分割效果，從而能夠兼顧分類準(zhǔn)確率和推理速度，相比現(xiàn)有主流分割系統(tǒng)，在分類準(zhǔn)確率和推理速度上均有明顯提升。

14、在解碼部分引入輕量化通道注意力模塊，通過為每個(gè)通道分配重要性權(quán)重來增強(qiáng)模型對(duì)關(guān)鍵特征的關(guān)注。這種機(jī)制不僅提升了模型在圖像分類和語義分割等任務(wù)的性能，而且由于其參數(shù)少和計(jì)算量小的特點(diǎn)，非常適合集成到輕量級(jí)網(wǎng)絡(luò)中，以提高效率而不犧牲太多準(zhǔn)確性。

15、將空洞卷積和金字塔池劃分成并行的兩個(gè)支路，使得該模塊能夠同時(shí)處理多個(gè)不同特征數(shù)據(jù)，減少了數(shù)據(jù)在模型內(nèi)部的傳遞，提高了模型運(yùn)算效率。

16、使用自適應(yīng)特征融合模塊代替原始的簡單拼接步驟，該模塊通過融合全局特征和局部特征自主學(xué)習(xí)特征權(quán)重，自適應(yīng)融合淺層和深層特征，獲取更豐富的語義信息。

17、使用輕量化的特征網(wǎng)絡(luò)替換原來的特征提取網(wǎng)絡(luò)，引入深度可分離卷積代替普通卷積，這可以顯著減少參數(shù)數(shù)量和計(jì)算量，同時(shí)對(duì)模型性能的影響較小。