一种基于深度学习的遥感地物分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115908922A(43)申请公布日2023.04.04(21)申请号202211460368.7G06N3/048(2023.01)(22)申请日2022.11.17G06N3/094(2023.01)(71)申请人杭州师范大学地址311121浙江省杭州市余杭区余杭塘路2318号(72)发明人王奔赵启航周斌(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240专利代理师邬赵丹(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06V20/13(2022.01)G06N3/0464(2023.01)权利要求书3页说明书6页附图2页(54)发明名称一种基于深度学习的遥感地物分类方法(57)摘要本发明公开了一种基于深度学习的遥感地物分类方法，本发明包括获取遥感地物分类数据集，构建遥感图像生成模型，将遥感地物分类数据集输入至遥感图像生成模型中，实现数据增强；构建用于遥感地物分类的神经网络模型，将数据增强后的遥感地物分类数据集输入至神经网络模型中进行训练，训练后生成最优权重。将任意遥感图像输入训练后的模型，生成遥感地物分类图像。本发明通过对遥感地物图像进行数据增强，平衡改善了各地物类型占比情况，提高了整体地物分类精度。通过构建的网络模型进行遥感地物分类，增强了对不规则大尺寸地物类型的提取效果，改善了遥感地物小目标细节较难提取和复杂地物边缘难以区分的问题，提高遥感地物分类的总体精度。CN115908922ACN115908922A权利要求书1/3页1.一种基于深度学习的遥感地物分类方法，其特征在于：具体包括如下步骤：步骤一、获取遥感地物分类数据集，数据集包括遥感地物分类的原始图像和及其对应的原始标注；将数据集分为训练集和验证集，训练集用于训练神经网络模型，验证集用于验证神经网络模型训练后对遥感地物分类的精度效果；步骤二、基于条件生成对抗网络模型中的pix2pix算法构建遥感图像生成模型：遥感图像生成模型采用U‑Net框架，包括编码器、解码器以及用于连接低层语义信息和高层语义信息的跳跃连接；编码器采用ResNet50结构，跳跃连接部分添加通道注意力机制，使网络模型重视有效地物特征信息，忽视不必要特征信息；解码器模型包括上采样层和卷积层；步骤三、将步骤一中遥感地物分类数据集输入至步骤二构建的遥感图像生成模型中进行训练，根据遥感地物分类数据集实际地表状况和标注图情况，人工绘制标签图；将人工绘制的标签图输入至遥感图像生成模型中生成遥感图像，并且将该部分遥感图像和标签图加入至原遥感地物分类数据集中，实现数据增强；步骤四、构建用于遥感地物分类的神经网络模型：遥感地物分类的神经网络模型采用U型框架，包括编码器、解码器以及跳跃连接；在编码器中，分为五个阶段，第一阶段至第四阶段会将最终地物特征图数据输入至跳跃连接中，第五阶段将最终图像数据结果输出至解码器；每个阶段采用大型卷积核和小型卷积核同时进行图像特征提取，使用结构重参数化方法，将大型卷积核和小型卷积核进行同步训练，将二者的特征提取结果进行结合；将小型卷积核优化后的参数并入至大型卷积核参数中进行双重优化；在跳跃连接结构中加入通道注意力机制，使网络模型更重视关键语义信息，并将其与长短期记忆结构门控机制进行结合，使高层语义信息具备引导低层语义信息通道权重的能力，使通道注意力机制分配的权重更为合理；在解码器中通过上采样操作使图像尺寸进行扩大，每一阶段都会将该阶段跳跃连接所输入的地物特征数据和上一阶段上采样操作后的特征数据进行拼接，并进行两次卷积操作后再进行上采样操作，使特征图像数据逐步恢复至原始图像尺寸大小；步骤五、将步骤三数据增强后的遥感地物分类数据集输入至步骤四所构建的神经网络模型中进行训练，训练后生成最优权重；将任意遥感图像输入训练后的模型，生成遥感地物分类图像。2.如权利要求1所述的基于深度学习的遥感地物分类方法，其特征在于：所述的编码器的五个阶段，具体为：第一阶段、将256×256×3的遥感图像数据输入至编码器后，首先进入通道数为64、卷积核大小为7×7的卷积层进行卷积，卷积后图像尺寸为128×128×64，将卷积结果输出至归一层进行数据归一化处理，最后使用ReLU非线性函数进行运算，再将运算结果输入至3×3的最大值池化层中，图像尺寸变为64×64×64，以缩小图像尺寸，提高感受野面积；第二阶段、将第一阶段输出的64×64×64图像数据输入通道数为64、卷积核大小为1×1的卷积层进行卷积，卷积后图像尺寸为64×64×64，将卷积结果输出至归一层进行数据归一化处理，最后使用ReLU非线性函数进行运算；将运算结果分别输入至通道数为64、卷积