一种基于深度学习的遥感图像语义分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187450A(43)申请公布日2022.03.15(21)申请号202111530033.3G06N3/04(2006.01)(22)申请日2021.12.15G06N3/08(2006.01)G06T3/40(2006.01)(71)申请人山东大学地址250013山东省青岛市即墨区滨海路72号(72)发明人郑艳伟田可于东晓(74)专利代理机构青岛华慧泽专利代理事务所(普通合伙)37247代理人付秀颖(51)Int.Cl.G06V10/26(2022.01)G06V10/764(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的遥感图像语义分割方法(57)摘要本发明公开了一种基于深度学习的遥感图像语义分割方法，包括以下步骤：获取数据集；对数据进行增广；构建segnet、unet网络模型；修改segnet网络，在编码器中的前两个阶段增加两个空洞空间金字塔池化(ASPP)模块，有效提取多尺度特征，保留空间位置信息，完成两个ASPP模块的训练后，在解码器中进行相应的特征融合；载入数据进行模型训练、预测；模型融合，将使用三个模型得到的预测图的每个像素点进行投票；对预测结果做可视化处理。本发明对segnet网络进行改进，增强了特征提取能力并有效的融合了网络的上下文信息，同时进行了模型融合，提高了分割的精确度。CN114187450ACN114187450A权利要求书1/2页1.一种基于深度学习的遥感图像语义分割方法，其特征在于，包括以下步骤：(1)改进segnet网络模型，以segnet为骨干网络，增加两个空洞空间金字塔池化ASPP模块；(2)segnet编码阶段结合两个空洞空间金字塔池化ASPP模块作为整个网络的编码器，形成多分支的训练网络；(3)两个空洞空间金字塔池化ASPP模块的输出特征图在解码器中进行相应的特征图拼接；(4)完成整个网络的训练，保存最优的网络模型用于网络融合以获得更精确的分割效果。2.根据权利要求1所述的一种基于深度学习的遥感图像语义分割方法，其特征在于，步骤(1)中空洞空间金字塔池化ASPP模块的构建具体方法如下：(1.1)构建四个不同空洞率r的n*n并行空洞卷积，设置步长和填充参数，得到相同大小的空洞特征图Ox,y，对于输入的特征图Ix,y，分别经过四个不同空洞率r的空洞卷积计算得到四个空洞输出特征图n为卷积核长度，Wu,v为卷积核权重，b为偏差；x,y代表像素的位置，u,v代表卷积核中权重的位置，将四个不同的空洞卷积和一个全局平均池化并行组成空洞空间金字塔池化ASPP模块，为匹配空洞卷积输出特征图的大小，全局平局池化操作后添加双线性插值操作；(1.2)空洞空间金字塔池化ASPP模块配置为两个，经过segnet的第一个卷积模块的得到的特征图为第一特征图，作为第一个空洞空间金字塔池化ASPP模块中输入，经过segnet的第二个卷积模块的得到的特征图为第二特征图，作为第二个空洞空间金字塔池化ASPP模块中输入。3.根据权利要求1所述的一种基于深度学习的遥感图像语义分割方法，其特征在于，步骤(2)具体方法如下：(2.1)segnet编码器包括五个卷积模块，前两个卷积模块中每个模块包含两个3×3卷积操作和一个池化操作，后三个卷积模块中每个模块包含三个3×3卷积操作和一个池化操作；(2.2)在segnet编码器的第一个卷积模块后，建立第一个空洞空间金字塔池化ASPP模块，在segnet编码器的第二个卷积模块后建立第二个空洞空间金字塔池化ASPP模块，形成多分支并行训练网络；(2.3)经过segnet的第一个卷积模块输出的第一特征图输入到第一个空洞空间金字塔池化ASPP模块充分提取多尺度特征，将其5个并行输出的特征图进行拼接，得到第一拼接特征图，通过第一个空洞空间金字塔池化ASPP模块自身的卷积进行卷积并降维，得到第一降维特征图；(2.4)经过segnet的第二个卷积模块，得到的第二特征图输入到第二个空洞空间金字塔池化ASPP模块中，通过5个并行操作充分提取多尺度特征，将并行操作输出的特征图进行拼接，得到第二拼接特征图，通过第二个空洞空间金字塔池化ASPP模块自身卷积降维得到第二降维特征图；(2.5)segnet编码阶段的五个卷积模块和两个空洞空间金字塔池化ASPP模块组成的多2CN114187450A权利要求书2/2页分支并行训练网络作为整个网络的编码器。4.根据权利要求1所述的一种基于深度学习的遥感图像语义分割方法，其特征在于，步骤(3)中特征图拼接的具体方法如下：(3.1)segnet解码器包含