(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 202210914538.8 (22)申请日 2022.08.01 (71)申请人 上海海洋大学 地址 201306 上海市浦东 新区临港新城沪 城环路999号 (72)发明人 洪中华　钟宏正　周汝雁　潘海燕　 马振玲　张云　韩彦岭　王静　 杨树瑚　徐利军　 (74)专利代理 机构 上海唯智赢专利代理事务所 (普通合伙) 31293 专利代理师 姜晓艳 (51)Int.Cl. G06V 10/764(2022.01) G06V 20/10(2022.01) G06V 20/17(2022.01)G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于灾后无人机遥感影像的建筑物损 毁分类方法 (57)摘要 本发明公开了一种基于灾后无人机遥感影 像的建筑物损毁分类方法， 获取灾后的无人机遥 感影像， 并进行预处理； 建立建筑物破坏分类网 络模型并进行训练； 该网络模型包括特征编码模 块和分类模块， 特征编码模块包括依次连接的带 有注意力机制的多个卷积块， 用于对 无人机遥感 影像进行特征编码， 获取特征编码图， 分类模块 包括全局特征提取模块、 上下文特征提取模块和 分类器， 全局特征提取模块用于对 特征编码图进 行全局特征提取， 上下文特征提取模块用于对特 征编码图进行上下文特征提取， 分类器用于对融 合了全局特征、 上下文特征的图像特征进行分 类； 用训练好的建筑物破坏分类网络模型对获取 灾后的无 人机遥感影像进行损毁分类识别。 权利要求书2页 说明书6页 附图2页 CN 115331049 A 2022.11.11 CN 115331049 A 1.一种基于灾后无 人机遥感影像的建筑物损毁分类方法， 其特 征在于包括以下步骤： 步骤一、 获取灾后的无 人机遥感影像， 并进行 预处理； 步骤二、 建立建筑物破坏分类网络模型并进行训练； 所述建筑物破坏分类网络模型包括特征编码模块和分类模块， 所述特征编码模块包括 依次连接的带有注意力机制的多个卷积块， 用于对无人机遥感影像进行特征编码， 提取精 细特征， 获取特征编码图； 所述分类模块包括全局特征提取模块、 上下文特征提取模块和分类器， 所述全局特征 提取模块用于对特征编 码图进行全局特征提取， 所述上下文 特征提取模块用于对特征编码 图进行上下文特征提取， 所述分类器用于对融合了全局特征、 上下文特征 的图像特征进行 分类； 步骤三、 用训练好的建筑物破坏分类网络模型对获取灾后的无人机遥感影像进行损毁 分类识别。 2.根据权利要求1所述的基于灾后无人机遥感影像的建筑物损毁分类方法， 其特征在 于： 所述上下文 特征提取模块采用LSTM网络， 先对特征编码图进 行均匀分块， 以单个块为元 素， 将特征编码图转换为特 征序列， 再将所述特 征序列输入LSTM网络进行 上下文特征提取。 3.根据权利要求2所述的基于灾后无人机遥感影像的建筑物损毁分类方法， 其特征在 于： 所述特征编码图记 为F∈RC×H×W， 其中， C、 H、 W分别代表特征编码图F的通道、 高度和宽度， 在特征序列生成时， 将特征编码图F划分为H ×W个块， 每个块对应原始 灾后无人机遥感影像 中一个局部区域的特征， 然后将这H ×W个块按照 从左到右、 从上到下的顺序生成一个特征 序列V＝[x1， x2，···， xK]∈RC， 其中K＝H ×W， 每个xk对应一个块的特 征。 4.根据权利要求1所述的基于灾后无人机遥感影像的建筑物损毁分类方法， 其特征在 于： 所述全局特征提取模块采用全局平均池化层提取特征编码图的全局特征， 将得到全局 特征和上下文特征输入Concatenate层进行有效连接得到融合特征， 再将融合特征输入两 个全连接层后， 经 过SoftMax函数处 理获得建筑物的损毁类别。 5.根据权利要求1所述的基于灾后无人机遥感影像的建筑物损毁分类方法， 其特征在 于： 所述卷积块设置有四个， 依次记为第一卷积块、 第二卷积块、 第三卷积块和第四卷积块， 所述第一卷积块、 第二卷积块均包括依次连接的两个卷积层、 最大池化层和注意力机 制模块， 其中第二卷积块的两个卷积层还通过残差模块连接； 所述第三卷积块、 第四卷积块均包括依次连接的三个卷积层、 最大池化层和注意力机 制模块， 其中的三个卷积层均还通过残差模块连接 。 6.根据权利要求5所述的基于灾后无人机遥感影像的建筑物损毁分类方法， 其特征在 于： 所述注意力机制模块采用SAM空间注意力机制， 首先， 所述注意力机构模块以卷积提取的特征图FA∈RC×H×W为输入， 其中， C、 H、 W分别代 表特征图FA的通道、 高度和宽度， 分别经过三个卷积层得到两个新的特征图FB、 FC和FD， 其 中， 特征图FD和FA具有相同的形状， 将特征图FB、 FC均重塑尺寸为 其中N＝H ×W， 随后将特征图FB和FC进行矩阵相乘 生成一个特 征图FS′∈RN×N， 再特征图FS′被送入SoftMax层并生成空间注权 重映射FS∈RN×N， 其次， 将特征图FD和空间注意力权值特征映射FS进行矩阵相乘， 并将结果重塑尺寸为RC权　利　要　求　书 1/2 页 2 CN 115331049 A 2×H×W， 最后将重塑后的结果与一个可训练的尺度系数α相乘并与特征图FA进行求和运算得到 最终的特 征图FE。权　利　要　求　书 2/2 页 3 CN 115331049 A 3