CN116012709B - 一种高分辨率遥感影像建筑物提取方法及系统 - Google Patents

Abstract

本发明提供了一种高分辨率遥感影像建筑物提取方法及系统，方法包括：获取研究区内的航空影像数据；对航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；根据空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器构建深度空间注意力网络，并根据训练集对深度空间注意力网络进行训练；分别利用测试集和验证集对深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；将待检测数据输入至遥感影像建筑物提取模型中，得到检测结果。本发明能够提高遥感影像建筑物提取准确率。

Description

一种高分辨率遥感影像建筑物提取方法及系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种高分辨率遥感影像建筑物提取方法及系统。

背景技术

随着经济活动的快速发展，建筑物的数量大幅增加，构筑建筑物的地区分布范围也更加广泛。与此同时，建筑物外部轮廓形状也呈现大型化、复杂化趋势。因此，为有效、合理的把握区域的经济发展、人口分布状况，更好地对基础设施、服务站点等公共服务点进行安排，高效、准确的提取出高分辨率遥感影像中的建筑物是亟待解决的问题。

在计算机图像处理领域，深度学习经过良好的训练能够有效地提取出目标物，并展现出极好的运算性能。然而，建筑物分割是一项包含建筑物和非建筑物元素的二元分类任务，仅通过深度学习的基本模型中的基础卷积神经网络进行高分辨率遥感影像的建筑物提取还存在若干问题。如面对复杂地物场景时存在一定范围内建筑物精确率不高，面对植被遮挡时存在边界不完整或边界模糊，面对现下模型中的“卷积层”大量累加后提取建筑物的特征过于分散等问题。这些都给高效、准确地完成高分辨率遥感影像建筑物提取造成了极大困难。

因此，现有技术需要一种提高遥感影像建筑物提取准确率的方法，以解决以上所提的问题。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种在高分辨率航空影像的复杂场景中，以含噪声、适当尺寸的遥感影像为输入数据，基于深度学习中的注意力机制构建的基于深度空间注意力网络，实现高分辨率遥感影像中建筑物有效提取的方法和系统。

为实现上述目的，本发明提供了如下方案：

一种高分辨率遥感影像建筑物提取方法，包括：

获取研究区内的航空影像数据；

对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果。

优选地，所述获取研究区内的航空影像数据，包括：

利用无人机在所述研究区内按照设定飞行路线进行航飞，以采集所述研究区中的遥感数据集；

根据所述无人机拍摄的带有地理坐标的所述遥感数据集生成所述研究区域的遥感影像；

将所述遥感影像进行空间分辨率的调整，并根据空间分辨率达到预设分辨率阈值的遥感影像制作成所述航空影像数据。

优选地，对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集，包括：

确定所述航空影像数据中的建筑样本；

根据所述建筑样本确定建筑标签；

对所述航空影像数据和对应的所述建筑标签进行影响裁剪，得到裁剪后的影像；

将所述裁剪后的影像进行数据增强，得到扩充处理后的图像；

按照预设比例将所述扩充后的图像进行随机划分，得到所述训练集、所述测试集和所述验证集。

优选地，所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小；所述语义编码器包括通道分割和重划分模块和3个下采样模块；所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的；所述注意力特征定义器包括Projection层和上采样模块；所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成。

优选地，根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练，包括：

根据所述空间信息编码器构建空间信息编码网络分支网络；

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络；

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络；

将所述训练集输入到所述所述深度空间注意力网络中，并调整超参数后进行训练，得到训练好的深度空间注意力网络。

优选地，分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型，包括：

对所述深度空间注意力网络的训练参数进行初始化；

根据所述测试集对所述深度空间注意力网络进行测试，并根据预设的评估指标对测试的深度空间注意力网络进行评估，以得到测试好的深度空间注意力网络；

根据所述验证集对测试好的深度空间注意力网络进行验证，得到所述最优的遥感影像建筑物提取模型。

一种高分辨率遥感影像建筑物提取系统，包括：

影像获取模块，用于获取研究区内的航空影像数据；

数据处理模块，用于对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

模块构建模块，用于分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

网络训练模块，用于根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

模型寻优模块，用于分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

检测模块，用于将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种高分辨率遥感影像建筑物提取方法及系统，方法包括：获取研究区内的航空影像数据；对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果。本发明能够提高遥感影像建筑物提取准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的建筑物提取流程示意图；

图3为本发明实施例提供的数据集展示图；

图4为本发明实施例提供的深度注意力模型的框架图；

图5为本发明实施例提供的实验结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。

本发明的目的是提供一种高分辨率遥感影像建筑物提取方法及系统，能够提高遥感影像建筑物提取准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种高分辨率遥感影像建筑物提取方法，包括：

步骤100：获取研究区内的航空影像数据；

步骤200：对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

步骤300：分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

步骤400：根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

步骤500：分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

步骤600：将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果。

优选地，所述获取研究区内的航空影像数据，包括：

利用无人机在所述研究区内按照设定飞行路线进行航飞，以采集所述研究区中的遥感数据集；

根据所述无人机拍摄的带有地理坐标的所述遥感数据集生成所述研究区域的遥感影像；

将所述遥感影像进行空间分辨率的调整，并根据空间分辨率达到预设分辨率阈值的遥感影像制作成所述航空影像数据。

如图2所示，本实施例中的建筑物提取流程包括以下步骤：

步骤1，通过无人机采集的高分辨率航空影像，制作Weinan航空影像数据，包括以下子步骤：

步骤1.1，在实地调查的基础上，选取陕西省渭南市富平县贺兰村作为研究区域，通过无人机对研究区航飞，采集研究区中的高分辨率遥感影像后制作数据集。

步骤1.2，本研究中使用的实验数据来自小型四旋翼无人机(UAV)，可用于自主规划研究区域内的飞行路径。其中，飞行路线是从研究区域的东南角到西北角，沿“S路线”拍摄照片。

步骤1.3，将无人机拍摄的带有地理坐标的遥感影像整体导入相关软件后，可生成整片研究区域的遥感影像，再将影像进行空间分辨率的调整，使用空间分辨率达到2.3厘米的无人机数据制作成Weinan航空影像数据。

优选地，对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集，包括：

确定所述航空影像数据中的建筑样本；

根据所述建筑样本确定建筑标签；

对所述航空影像数据和对应的所述建筑标签进行影响裁剪，得到裁剪后的影像；

将所述裁剪后的影像进行数据增强，得到扩充处理后的图像；

按照预设比例将所述扩充后的图像进行随机划分，得到所述训练集、所述测试集和所述验证集。

进一步地，本实施例中的步骤2为：基于步骤1制作的Weinan航空影像数据，先进行图像预处理和数据增强后再将其按比例划分成训练集、测试集和验证集，包括以下子步骤：

步骤2.1，在ArcGIS 10.2的软件中，通过手动方式建筑样本的选取，其中包含研究区域内的各种类型的建筑，将标注的矢量文件通过“矢量转栅格”工具转化为“.GIF”格式的影像标签label，进而完成影像标注的建筑标签，如图3所示。

步骤2.2，为了便于深度学习计算，对原始图像及对应的标签label进行影像裁剪，在ArcGIS 10.2的软件中将研究区的整幅遥感影像及对应的标签label进行均匀裁剪，裁剪成尺寸为512×512像素的小尺寸影像。

步骤2.3，将小尺寸影像再进行数据增强以扩充数据量，对每幅影像及对应的标签label进行旋转90°、180°和270°，再进行概率为0.5的随机水平和垂直翻转的操作，共生成了830幅512×512像素的图像。

步骤2.4，将830幅512×512像素的图像按照6:2:2的比例随机划分到训练集、测试集和验证集中。

优选地，所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小；所述语义编码器包括通道分割和重划分模块和3个下采样模块；所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的；所述注意力特征定义器包括Projection层和上采样模块；所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成。

具体的，本实施例中的步骤3为构建深度空间注意力网络所需的四大组件，包括以下子步骤：

步骤3.1，构建空间信息编码器SIEN，有效地结合高层语义和底层细节，提高了语义分割的性能。设计了具有三个阶段共6层的浅层SIEN，其中每层由卷积运算(Conv)、批量归一化(BN)和参数校正线性单元(PReLU)组成。每个阶段的第一层和第二层具有相同数量的过滤器(步长为2)和输出特征图大小。因此，SIEN提取了原始输入的1/8，提高了信道容量，丰富了空间细节。

步骤3.2，构建语义编码器SEN，通过应用5个下采样来设置输入图像分辨率的比率，最终输出的大小仅为输入图像大小的1/32，这可能导致空间细节的显著损失。SEN基于通道分割和重划分模块FDSS_nbt模块并应用3个下采样(输出分辨率仅为原始图像分辨率的1/8，具有32、64和128个通道)。在第3阶段和第4阶段，引入特殊卷积以增加感受野。

步骤3.3，构建了双注意力提取器DAB，在影像的空间维度方面，设计了一种基于核注意力机制(KAM)。在通道维度上，使用基于点积的通道注意机制(CAM)，输入通道C的数量通常远小于特征图中包含的像素数量，多个通道的Softmax函数的复杂度不高。双注意块(DAM)组合了使用模拟位置依赖性的KAM和模拟通道依赖性的CAM，可以增强每一层特征图的提取特征对目标的辨识能力。

步骤3.4，构建注意力特征定义器AFRB，具体包含Projection层和上采样，每一层都由卷积层、BN层和PReLU组成。设置输入通道数等于步骤3.3中的双注意力提取器DAM的输出通道数，设置输出通道数为以下公式：

AFRB＝conv3(conv3(F_att))；

其中，F_att表示DAM的输出通道数，conv3表示第三层的融合卷积，AFRB表示为建筑物的数量。

优选地，根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练，包括：

根据所述空间信息编码器构建空间信息编码网络分支网络；

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络；

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络；

将所述训练集输入到所述所述深度空间注意力网络中，并调整超参数后进行训练，得到训练好的深度空间注意力网络。

进一步地，本实施例中步骤4为：通过步骤3中构建的四大组件组合成遥感影像建筑物提取算法——基于深度空间注意力网络，再对建筑物提取的训练集进行训练，包括以下子步骤：

步骤4.1，如图4所示的深度空间注意力网络架构的概述，其中的两个分支网络是空间信息编码网络分支和高维特征提取分支，空间信息编码网络分支由空间信息编码器SIEN(图4中a所示)构成，高维特征提取分支由语义编码器SEN(图4中b所示)作为构建高级特征提取分支的主要构建块，SEN由特征融合器FFM(图4中c所示)、双注意力提取器DAB(图4中d所示)和注意力特征定义器AFRB(图4中e所示)组成。

步骤4.2，将输入图像输入到SEN模块，生成4个空间分辨率降低的特征图(F_h,1，F_h,2，F_h,3，F_h,4)。特征映射F_h,3，F_h,4具有相同数量的通道，具有不同的扩张率，以扩大感受野卷积滤波器，采用1/8降采样策略，将高分辨率特征图F_h,3和F_h,4的空间特征相结合，得到最终的模型。

步骤4.3，将训练集中的images和labels两个文件夹里的影像和对应的标签输入到构建的深度空间注意力网络模型中，调整超参数后进行训练，可得到一个有效的训练参数模型。

优选地，分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型，包括：

对所述深度空间注意力网络的训练参数进行初始化；

根据所述测试集对所述深度空间注意力网络进行测试，并根据预设的评估指标对测试的深度空间注意力网络进行评估，以得到测试好的深度空间注意力网络；

根据所述验证集对测试好的深度空间注意力网络进行验证，得到所述最优的遥感影像建筑物提取模型。

具体的，本实施例中的步骤5为：利用深度学习语义分割模型对测试集数据进行随机测试，直至随机测试达到满意效果，包括以下子步骤：

步骤5.1，实验使用PyTorch深度学习框架进行，实验环境通过PyCharm软件搭建，在Python语言中进行构建。

步骤5.2，按照深度学习语义分割的常用评价标准，采用了五个最常见的评估指标进行质量评估，包括“总体准确性(OA)”、“精度(Precision)”、“召回率(Recall)”、“F1分数(F1)”和“交并集(IoU)”，具体的评价指标的公式如下：

其中，P表示阳性样本数，N表示阴性样本数，TP表示真阳性数，TN表示真阴性数，FP表示假阳性数，FN表示假阴性数。

步骤5.3，所有实验均在配备CPU E5-2630v4(2.20GHz)和两台NVIDIAGeForce GTX 1080Ti(11GB)的服务器上进行。

步骤5.4，深度空间注意力网络模型训练时输入数据的参数设置epoch为100，batches为16，优化器选择Adam，初始学习率为0.0001，权重衰减为0.0001，损失函数为交叉熵损失函数，求解最小化损失函数的网络参数是基于随机梯度下降算法。

进一步地，本实施例中步骤6为按照步骤5设定的深度空间注意力网络模型训练时输入数据的参数，将训练集中的images和对应的labels输入到由Python软件构建的模型中进行训练，得到的参数模型命名为“epoch100_batches16_learning0.0001.pth”。

步骤6.2，使用这个参数模型对验证集中不输入标签label的高分辨率遥感影像直接进行建筑物提取的预测，再根据五个评估指标进行模型的精度评估。

步骤6.3，如果此参数模型的精度未达到预期的效果(IoU达到85％及以上)，则需要修改模型的超参数内容，重新输入训练集的数据，使用测试集的数据进行测试并保存精度最好的参数模型，再对验证集的影像进行精度评估，最后保存下评价指标达到最好的参数模型即是所需的深度空间注意力网络模型，如图5所示是提取出的高分辨率遥感影像建筑物的高精度结果。

对应上述方法，本实施例还提供了一种高分辨率遥感影像建筑物提取系统，包括：

影像获取模块，用于获取研究区内的航空影像数据；

数据处理模块，用于对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

模块构建模块，用于分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

网络训练模块，用于根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

模型寻优模块，用于分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

检测模块，用于将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种高分辨率遥感影像建筑物提取方法，其特征在于，包括：

获取研究区内的航空影像数据；

对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果；

所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小；所述语义编码器包括通道分割和重划分模块和3个下采样模块；所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的；所述注意力特征定义器包括Projection层和上采样模块；所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成；

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练，包括：

根据所述空间信息编码器构建空间信息编码网络分支网络；

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络；

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络；

将所述训练集输入到所述深度空间注意力网络中，并调整超参数后进行训练，得到训练好的深度空间注意力网络。

2.根据权利要求1所述的高分辨率遥感影像建筑物提取方法，其特征在于，所述获取研究区内的航空影像数据，包括：

利用无人机在所述研究区内按照设定飞行路线进行航飞，以采集所述研究区中的遥感数据集；

根据所述无人机拍摄的带有地理坐标的所述遥感数据集生成所述研究区域的遥感影像；

将所述遥感影像进行空间分辨率的调整，并根据空间分辨率达到预设分辨率阈值的遥感影像制作成所述航空影像数据。

3.根据权利要求1所述的高分辨率遥感影像建筑物提取方法，其特征在于，对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集，包括：

确定所述航空影像数据中的建筑样本；

根据所述建筑样本确定建筑标签；

对所述航空影像数据和对应的所述建筑标签进行影响裁剪，得到裁剪后的影像；

将所述裁剪后的影像进行数据增强，得到扩充处理后的图像；

按照预设比例将所述扩充后的图像进行随机划分，得到所述训练集、所述测试集和所述验证集。

4.根据权利要求1所述的高分辨率遥感影像建筑物提取方法，其特征在于，分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型，包括：

对所述深度空间注意力网络的训练参数进行初始化；

根据所述测试集对所述深度空间注意力网络进行测试，并根据预设的评估指标对测试的深度空间注意力网络进行评估，以得到测试好的深度空间注意力网络；

根据所述验证集对测试好的深度空间注意力网络进行验证，得到所述最优的遥感影像建筑物提取模型。

5.一种高分辨率遥感影像建筑物提取系统，其特征在于，包括：

影像获取模块，用于获取研究区内的航空影像数据；

数据处理模块，用于对所述航空影像数据进行图像预处理和数据增强，并将处理后的数据划分为训练集、测试集和验证集；

模块构建模块，用于分别构建空间信息编码器、语义编码器、双注意力提取器和注意力特征定义器；

网络训练模块，用于根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练；

模型寻优模块，用于分别利用所述测试集和所述验证集对所述深度空间注意力网络进行测试和验证，得到最优的遥感影像建筑物提取模型；

检测模块，用于将待检测数据输入至所述遥感影像建筑物提取模型中，得到检测结果；

所述空间信息编码器包括三个阶段，每个阶段包含有两层浅层结构；每层所述浅层结构由卷积运算、批量归一化和参数校正线性单元组成；每个阶段的第一层和第二层具有相同数量的过滤器和输出特征图大小；所述语义编码器包括通道分割和重划分模块和3个下采样模块；所述双注意力提取器是基于核注意力机制和点积的通道注意机制构建得到的；所述注意力特征定义器包括Projection层和上采样模块；所述注意力特征定义器的每一层均由卷积层、BN层和PReLU组成；

根据所述空间信息编码器、所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建深度空间注意力网络，并根据所述训练集对所述深度空间注意力网络进行训练，包括：

根据所述空间信息编码器构建空间信息编码网络分支网络；

根据所述语义编码器、所述双注意力提取器和所述注意力特征定义器构建高维特征提取分支网络；

根据所述空间信息编码网络分支网络、所述高维特征提取分支网络和预设的特征融合器构建所述深度空间注意力网络；

将所述训练集输入到所述深度空间注意力网络中，并调整超参数后进行训练，得到训练好的深度空间注意力网络。