一种基于深度学习的高分辨率遥感影像建筑物提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114973011A(43)申请公布日2022.08.30(21)申请号202210538076.4(22)申请日2022.05.18(71)申请人哈尔滨理工大学地址150080黑龙江省哈尔滨市南岗区学府路52号哈尔滨理工大学(72)发明人陆相竹孟上九王淼孙义强(51)Int.Cl.G06V20/13(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书9页附图6页(54)发明名称一种基于深度学习的高分辨率遥感影像建筑物提取方法(57)摘要一种基于深度学习的高分辨率遥感影像建筑物提取方法，属于图像提取方法领域。目前用于建筑物提取的深度学习方法中存在着缺少端到端模型设计、提取精度需要进一步提高等问题。一种基于深度学习的高分辨率遥感影像建筑物提取方法，基于基础网络结构U‑Net网络模型加入特征增强结构，构成编码器‑特征增强‑解码器的网络结构模型；之后，将激活函数ReLU替换为ELU；将U‑Net++网络和扩张卷积相结合，并引入残差网络，获取联系上下文的特征信息。本发明设计并实现增加特征增强和改变激活函数的U‑Net网络，提高了建筑物提取精度。设计的与混合空洞卷积相结合的U‑Net++网络模型能够实现针对少量遥感样本的建筑物提取。CN114973011ACN114973011A权利要求书1/3页1.一种基于深度学习的高分辨率遥感影像建筑物提取方法，其特征在于：所述方法通过以下步骤实现：基于基础网络结构U‑Net网络模型加入特征增强结构，构成编码器‑特征增强‑解码器的网络结构模型；之后，对加入了特征增强结构的网络结构模型的激活函数进行改进：将激活函数ReLU替换为ELU；设计与混合空洞卷积相结合的U‑Net++网络模型，进行建筑物提取；即：U‑Net++网络和扩张卷积相结合，并引入残差网络，获取联系上下文的特征信息；进行遥感影像建筑物提取的过程，包括训练阶段与测试阶段；训练阶段：利用反向传播与随机梯度下降算法对改进后的模型进行训练，之后，对训练后的模型进行验证与精度评价，根据验证结果反向传播，调整模型参数；之后，重复训练与调整参数，直至模型趋于稳定；测试阶段：使用测试集遥感影像数据对训练完毕的模型行进行测试；将它们依次输入到模型中进行建筑物提取，得到预测结果，根据地面真值数据对提取结果进行精度评价。2.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像建筑物提取方法，其特征在于：所述的基于基础网络结构U‑Net网络模型加入特征增强结构，构成编码器‑特征增强‑解码器的网络结构模型的步骤中，(1)所述的U‑Net网络由编码器、解码器和跳跃连接组成，编码器下采样经过两次卷积后再次下采样，解码器上采样中使用反卷积并与对应大小的下采样特征跳跃连接，然后经过两次卷积后再反卷积；(2)所述的基于基础网络结构U‑Net网络模型加入特征增强结构的步骤中，编码器‑特征增强‑解码器结构主要包括：编码器部分、特征增强部分、解码器部分；该网络是一个端到端的网络模型，使用的激活函数为ReLU，该网络模型在训练过程中，从输入端输入影像数据，在输出端输出预测结果，中间部分的所有操作都位于神经网络内部，不将其分成多个模块进行处理；其中，编码器‑特征增强‑解码器网络结构模型在基础网络模型编码器‑解码器结构的基础上加入了特征增强结构，所述的特征增强结构具体如下：在网络结构的中间部分添加了空洞卷积以代替池化操作；以空洞卷积为基础，在网络结构的中间部分添加了特征增强结构，特征增强结构是一个串联与并联共存的网络结构，它将经过空洞率不一样的空洞卷积运算所得到的特征图使用串联和并联的方式连接；强部分的特征图，其通道数和尺寸大小取决于编码器中的运算，该结构中一共有四种空洞卷积运算，空洞率的大小分别为1、2、4、8，在大小为3×3的标准卷积上进行扩张后可分别得到大小为3×3、5×5、9×9、17×17的空洞卷积，对应每个特征图的感受野将分别是3、7、15、31，特征增强中最后输出特征图在第一个中间特征图上感受野大小为31×31；由空洞卷积操作获得的特征图，不会降低分辨率，由于具有不同空洞率的空洞卷积，因此通过该结构获得多尺度的特征信息，通过跳跃连接的方式将多尺度特征进行相加合并，从而实现了特征信息的增强。3.根据权利要求1或2所述的一种基于深度学习的高分辨率遥感影像建筑物提取方法，其特征在于：所述的对加入了特征增强结构的网络结构模型的激活函数进行改进的步骤为，在编码器‑特征增强‑解码器网