(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 202210151693.9 (22)申请日 2022.02.18 (71)申请人 中科南京人工智能创新研究院 地址 211135 江苏省南京市创研路26 6号麒 麟人工智能产业园3号楼3楼 申请人 中国科学院自动化研究所 (72)发明人 姚正　马雷　万玲　程健　 (74)专利代理 机构 南京泰普专利代理事务所 (普通合伙) 32360 专利代理师 张帆 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于瓶颈注意力模块的遥感图像云检测方 法及系统 (57)摘要 本发明提供了一种基于瓶颈注意力模块的 遥感图像云检测方法及系统， 属于遥感图像处理 技术领域。 该方法步骤如下： 步骤1、 获取并处理 样本集； 步骤2、 搭建遥感图像云检测网络框架； 步骤3、 对遥感图像云检测网络进行迭代训练； 步 骤4、 输出遥感图像云检测预测结果。 检测系统包 括样本获取模块、 网络框架搭建模块、 训练模块、 输出模块四部分。 本发明所构建的遥感图像云检 测网络采用一种瓶颈注意力的结构， 该结构结合 了轻量化卷积， 线性逆转残差结构， 坐标注意力 机制三者各自的优点， 主要解决了网络采用轻量 化卷积后， 导致的特征量减少， 精度下降等问题， 实现了以低参数量和低运算量的云检测系统， 达 到更高精度的轻量型在轨云检测效果。 权利要求书2页 说明书9页 附图5页 CN 114511785 A 2022.05.17 CN 114511785 A 1.基于瓶颈注意力模块的遥感图像云检测方法， 其特 征在于， 包括如下步骤： 步骤1、 获取样本集和处 理样本集； 步骤2、 搭建遥感图像云检测网络总体框架； 步骤3、 迭代训练； 步骤4、 输出 预测结果并对比。 2.根据权利要求1所述的遥感图像云检测方法， 其特 征在于， 步骤1进一 步包括： 步骤1‑1、 下载预定样本集并剔除不含云， 含云量过少的样本， 将合格的样本通过 labelme标签制作软件给每 个样本描绘含云区域作为标签， 制作总样本集 N： N＝{(I1,L1),(I2,L2),…,(IN,LN) 式中， IN表示第n幅图像， Ln表示第n幅图像的标签； 步骤1‑2、 将从遥感图像N中随机 选取的n幅遥感图像标签组成训练样本集P： P＝{(I1,L1),(I2,L2),…,(In,Ln) 式中， In表示第n幅训练样本， Ln表示第n幅训练图像的标签； 步骤1‑3、 将其余N‑n幅遥感图像以及标签组成测试样本集T： T＝{(I1,L1),(I2,L2),…,(IN‑n,LN‑n) 式中， IN‑n表示第N‑n幅测试图像， LN‑n表示第N‑n幅测试图像的标签； 其中， P> >T。 3.根据权利要求1所述的遥感图像云检测方法， 其特 征在于， 步骤2进一 步包括： 步骤2‑1、 搭建由编码器、 译码器、 底层连接层、 以及组合模块组成的主框架； 步骤2‑2、 定义遥感图像云检测损失函数： L＝L1+L2 式中， L为总的损失函数， L1为二分类交叉熵函数， L2为集合相似度函数； 其中， 二分类交叉熵函数L1的表达式如下： 式中， Ti表示样本i的label， 正类为1， 负类为1； N为样本总数； Pi为Softmax分类器所计 算的类别i的概率， Softmax的主要作用为将网络的输出计算为各类别的概率分布， k为类别 数， Zi， Zj为类别i， j在网络中预测的输出 结果； DICE_LOSS(集合相似度)函数L2的表达式如下： 式中， TP为正样本被网络预测为正样本的情况； FN为负样本被网络预测为正样本的情 况； FP为负 样本被网络预测为负 样本的情况。 4.根据权利要求1所述的遥感图像云检测方法， 其特 征在于， 步骤3进一 步包括： 步骤3‑1、 采用冰冻训练方式， 初始迭代次数设置为300,初始 学习率设置为10‑4， 当迭代 次数达到300后， 学习率 转化为10‑5， 最大迭代次数设置为6 00； 步骤3‑2、 将训练样本集分批次输入遥感图像云检测网络进行前向传播过程， 在经过中权　利　要　求　书 1/2 页 2 CN 114511785 A 2间层后得到每一次网络预测结果x； 步骤3‑3、 采用后向传播算法对网络进行特征学习， 采用损失函数计算每一次迭代网络 的预测结果与本批次训练样 本相对应label之间的误差 ε， 然后使用Adam优化器对网络卷积 核权重参数和中间层连接参数进 行更新， 减小网络预测结果和标签之 间的误差 ε， 最 终得到 经过迭代600次后的模型权 重参数。 5.根据权利要求1所述的遥感图像云检测方法， 其特 征在于， 步骤4进一 步包括： 图像测试集m输入训练好的遥感图像云检测网络中进行预测， 得到最后模型预测的结 果， 如下： 步骤4‑1、 将测试样本集输入分别加入不同模块训练后的网络模型进行预测， 网络预测 分类为云的像素点， 像素值设置为255为白色； 分类为背景的像素点， 像素值设置为0为黑 色； 步骤4‑2、 将预测结果与真实标签进行对比， 分析各模块分别加入 网络或组合加入网络 后的实际效果； 步骤4‑3、 将加入瓶颈注意力模块后的遥感图像云检测网络与其他遥感图像云检测方 法进行对比。 6.遥感图像云检测系统， 其特 征在于， 所述系统包括： 样本获取模块， 用于获取并处 理样本集； 网络框架搭建模块， 用于搭建遥感图像云检测网络 框架； 训练模块， 用于对遥感图像云检测网络进行迭代训练； 输出模块， 用于 输出遥感图像云检测网络预测结果。 7.根据权利要求6所述的遥感图像云检测系统， 其特 征在于， 由所述网络 框架搭建模块搭建得到的图像云检测网络 框架进一 步包括： 至少四层编码器， 每一层所述编码器包括至少两个3 ×3的轻量化卷积层和至少一个下 采样层， 同时每一层的输入为上一层下采样的输出 结果； 至少四层译码器， 每一层所述译码器包括至少两个轻量化卷积层和至少一个上采样 层， 每一层的输入为上一层的上采样输出结果并级联同一层组合模块的输出； 编码器和译 码器之间通过瓶颈注意力模块连接； 底层‑连接层， 包括至少两个3 ×3的轻量化卷积层， 输入为编码器第四层下采样后的输 出结果， 输出通过 上采样层与每一层的组合模块联接实现特 征融合； 瓶颈注意力模块， 用于连接所述编码器和所述译码器； 所述瓶颈注意力模块为线性逆 转残差和坐标注意力机制的结合， 所述瓶颈注意力模块的输入为每一层编 码器经过两次轻 量化卷积层的输出。 8.云检测设备， 其特 征在于， 包括： 至少一个处 理器和存 储器； 所述存储器存储计算机执 行指令； 至少一个处理器执行所述存储器存储的计算机执行指令， 使得至少一个处理器执行如 权利要求1至 5任一项所述的遥感图像云检测方法。 9.一种可读存储介质， 其特征在于， 所述可读存储介质中存储有计算机执行指令， 当处 理器执行所述计算机执行指令时， 实现如权利要求1至5任一项所述的遥感图像云检测方 法。权　利　要　求　书 2/2 页 3 CN 114511785 A 3