本公開涉及人工智能，尤其涉及一種遙感圖像的實例分割方法、裝置和電子設備。

背景技術：

1、遙感圖像實例分割具有重要意義，遙感圖像的實例分割結果對地球觀測、環(huán)境監(jiān)測、城市規(guī)劃等多個領域具有廣泛的應用和深遠的影響，相關技術中，主要基于卷積神經(jīng)網(wǎng)絡(convolutional?neural?networks，簡稱cnn)和transformer進行遙感圖像的實例分割，然而，基于cnn通常利用局部感受野，往往較難捕捉到遙感圖像的全局情境，基于transformer計算復雜度隨著輸入圖像尺寸的增加呈平方而增長，導致計算資源消耗巨大，且推理效率較低，由此，如何提高遙感圖像的實例分割的準確性和高效性已成為亟待解決的問題。

技術實現(xiàn)思路

1、本公開提供一種遙感圖像的實例分割方法、裝置和電子設備，以至少解決相關技術中的遙感圖像的實例分割結果準確性和效率較低的問題。

2、本公開的技術方案如下：

3、根據(jù)本公開實施例的第一方面，提供一種遙感圖像的實例分割方法，方法包括：獲取待處理的遙感圖像；將所述遙感圖像輸入至圖像實例分割模型的特征提取骨干網(wǎng)絡中，以獲取所述特征提取骨干網(wǎng)絡輸出的遙感圖像特征圖；將所述遙感圖像特征圖輸入至所述圖像實例分割模型的圖像實例分割網(wǎng)絡中，以獲取所述圖像實例分割網(wǎng)絡輸出的遙感圖像的實例分割結果。

4、根據(jù)本公開實施例的第二方面，提供一種遙感圖像的實例分割裝置，包括：獲取模塊，用于獲取待處理的遙感圖像；第一處理模塊，用于將所述遙感圖像輸入至圖像實例分割模型的特征提取骨干網(wǎng)絡中，以獲取所述特征提取骨干網(wǎng)絡輸出的遙感圖像特征圖，其中，所述特征提取骨干網(wǎng)絡包括分塊嵌入層和多個mamba模塊；第二處理模塊，用于將所述遙感圖像特征圖輸入至所述圖像實例分割模型的圖像實例分割網(wǎng)絡中，以獲取所述圖像實例分割網(wǎng)絡輸出的遙感圖像的實例分割結果。

5、根據(jù)本公開實施例的第三方面，提供一種電子設備，包括：處理器；用于存儲所述處理器的可執(zhí)行指令的存儲器；其中，所述處理器被配置為執(zhí)行所述指令，以實現(xiàn)如本公開實施例第一方面所述的遙感圖像的實例分割方法。

6、根據(jù)本公開實施例的第四方面，提供一種計算機可讀存儲介質(zhì)，當所述計算機可讀存儲介質(zhì)中的指令由電子設備的處理器執(zhí)行時，使得電子設備能夠執(zhí)行如本公開實施例第一方面所述的遙感圖像的實例分割方法。

7、本公開的實施例提供的技術方案至少帶來以下有益效果：

8、本公開實施例，通過獲取待處理的遙感圖像，將遙感圖像輸入至圖像實例分割模型的特征提取骨干網(wǎng)絡中，以獲取特征提取骨干網(wǎng)絡輸出的遙感圖像特征圖，并將遙感圖像特征圖輸入至圖像實例分割模型的圖像實例分割網(wǎng)絡中，以獲取圖像實例分割網(wǎng)絡輸出的遙感圖像的實例分割結果，由此，本公開通過分塊嵌入層和多個mamba模塊進行構建特征提取骨干網(wǎng)絡，特征提取骨干網(wǎng)絡能夠同時具備全局情境建模能力和線性時間復雜度，提高了獲取遙感圖像特征圖的準確性和可靠性，從而提高了獲取遙感圖像的實例分割結果的準確性和高效性。

9、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

技術特征：

1.一種遙感圖像的實例分割方法，其特征在于，所述方法，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述將所述遙感圖像輸入至圖像實例分割模型的特征提取骨干網(wǎng)絡中，以獲取所述特征提取骨干網(wǎng)絡輸出的遙感圖像特征圖，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述每個mamba模塊包括第一線性層、第二線性層、深度卷積層、第一激活層、第二激活層、多狀態(tài)空間子模塊、gate模塊、第三線性層和下采樣層，所述由首位mamba模塊對所述嵌入向量序列進行特征提取，獲取第一遙感圖像特征圖，包括：

4.根據(jù)權利要求3所述的方法，其特征在于，所述將所述第二特征向量輸入至所述多狀態(tài)空間子模塊，以獲取每個狀態(tài)空間子模塊輸出的第三特征向量，包括：

5.根據(jù)權利要求4所述的方法，其特征在于，若所述目標掃描策略為旋轉可變掃描策略和翻轉旋轉可變掃描策略，所述按照所述目標掃描策略，獲取所述每個狀態(tài)空間子模塊輸出的第四圖像特征向量，包括：

6.根據(jù)權利要求3所述的方法，其特征在于，所述將所述第三特征向量輸入至所述gate模塊中進行融合，以獲取所述gate模塊輸出的融合特征向量，包括：

7.根據(jù)權利要求1所述的方法，其特征在于，所述將所述遙感圖像特征圖輸入至所述圖像實例分割模型的圖像實例分割網(wǎng)絡中，以獲取所述圖像實例分割網(wǎng)絡輸出的遙感圖像的實例分割結果，包括：

8.根據(jù)權利要求1-7中任一項所述的方法，其特征在于，所述圖像實例分割模型的訓練過程，包括：

9.根據(jù)權利要求8所述的方法，其特征在于，所述根據(jù)所述訓練樣本對初始圖像實例分割模型進行訓練，以獲取訓練完成的圖像實例分割模型，包括：

10.根據(jù)權利要求9所述的方法，其特征在于，所述獲取所述邊界框回歸正弦損失函數(shù)，包括：

11.一種遙感圖像的實例分割裝置，其特征在于，所述裝置，包括：

12.一種電子設備，其特征在于，包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；

13.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其特征在于，其中，所述計算機指令用于使所述計算機執(zhí)行權利要求1-10中任一項所述的方法。

14.一種計算機程序產(chǎn)品，其特征在于，包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)根據(jù)權利要求1-10中任一項所述方法的步驟。

技術總結
本公開關于一種遙感圖像的實例分割方法、裝置和電子設備，包括：獲取待處理的遙感圖像；將所述遙感圖像輸入至圖像實例分割模型的特征提取骨干網(wǎng)絡中，以獲取所述特征提取骨干網(wǎng)絡輸出的遙感圖像特征圖，其中，所述特征提取骨干網(wǎng)絡包括分塊嵌入層和多個Mamba模塊；將所述遙感圖像特征圖輸入至所述圖像實例分割模型的圖像實例分割網(wǎng)絡中，以獲取所述圖像實例分割網(wǎng)絡輸出的遙感圖像的實例分割結果，由此，本公開通過分塊嵌入層和多個Mamba模塊進行構建特征提取骨干網(wǎng)絡，特征提取骨干網(wǎng)絡能夠同時具備全局情境建模能力和線性時間復雜度，提高了獲取遙感圖像特征圖的準確性和可靠性，從而提高了獲取遙感圖像的實例分割結果的準確性和高效性。

技術研發(fā)人員：黃立威,劉艷博
受保護的技術使用者：北京市遙感信息研究所
技術研發(fā)日：
技術公布日：2025/1/9