[發明專利]基于自生成特征的衛星影像識別系統、方法及電子設備

有效

• 申請號: 201811227460.2
• 申請日: 2018-10-22
• 公開（公告）號: CN109522807B
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 張昱航;陽文斯;葉可江;須成忠
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

本申請涉及一種基于自生成特征的衛星影像識別系統、方法及電子設備。所述系統包括：FCN網絡構建模塊：用于將VGG網絡的第一個全連接層和第二個全連接層分別變為第一層卷積層和第二層卷積層，構建新的FCN網絡；自生成特征網絡構建模塊：用于基于GAN網絡構建自生成特征網絡；自生成特征計算模塊：用于將所述自生成特征網絡嵌入所述FCN網絡中，通過所述自生成特征網絡生成輸入影像的特征圖，將所述特征圖傳送給所述第一層卷積層和第二層卷積層，所述第一層卷積層和第二層卷積層利用所述特征圖得到所述輸入影像的識別結果。本申請通過自動生成特征網絡不斷計算和更新最新的影像特征，實現數據特征的增強以及像素對像素的識別。

技術領域

本申請屬于影像識別技術領域，特別涉及一種基于自生成特征的衛星影像識別系統、方法及電子設備。

背景技術

隨著國民經濟的不斷發展，我國國土資源的利用日益急切，但要準確掌握國土資源的土地狀態，基于傳統的特征提取方法和傳統機器學習的算法已經不能為大規模復雜化的國土資源影像做出準確判斷。

衛星影像識別中，需要準確分割出圖中的物體，例如：農用土地、森林植被、建筑物、河流、道路，山體等。準確描繪其邊界，能夠為下一步的勘測提供準確的技術參數?，F有技術利用傳統的主成分分析法、尺度不變特征變換(Scale-invariant featuretransform，SIFT)方法、Haar-like特征方法等提取衛星影像的邊緣特征，以達到識別效果。但是在深度學習下這些特征都可以看做是淺層特征，無法捕捉到更有效的高層特征，這也就丟失了很多有用的信息，在識別階段不能加以利用。

與此同時，已有文獻1[Lin M,Chen Q,Yan S.Network in network[J].arXivpreprint arXiv:1312.4400,2013.]已證明將目前的卷積神經網絡(Convolution NeuralNetwork，下文簡稱CNN)的最后兩層全連接層轉換為卷積層不僅能實現減少更多的參數以優化網絡，也能實現像素對像素(Pixel to Pixel，下文簡稱PTP)的識別效果，這在衛星影像精確識別中具有十分重要的意義。

另外一部分技術利用到了CNN網絡來做識別，但是CNN網絡更多適用于物體類別的識別，不適合這種密集識別，也就是PTP級別的識別，效果會比較差。而且運行網絡占用GPU時間長，精度不高等。故而使用了FCN(Fully Convolutional Network，全卷積網絡)網絡，但即便是FCN網絡可以進行密集像素識別，由于其并沒有對衛星影像做過優化，并不能適應于衛星影像的識別。

此外，地理數據面臨的一大難點就是由于衛星影像要求針對像素的識別，因為要準確劃分出輪廓，所以在圖片預處理之前要進行一番人工像素標記，這是非?；ㄙM時間的，久而久之，這種被標記的圖片就很稀少，真正能用到的標記好的圖片非常有限。為此很多工業界人士利用傳統數據擴充的辦法，來對已有影像進行增容。但很遺憾，這種數據擴充帶來的性能提升是很有限的，甚至在有些場景下，數據增容的影響微乎其微。

發明內容

本申請提供了一種基于自生成特征的衛星影像識別系統、方法及電子設備，旨在至少在一定程度上解決現有技術中的上述技術問題之一。

為了解決上述問題，本申請提供了如下技術方案：

一種基于自生成特征的衛星影像識別系統，包括：

FCN網絡構建模塊：用于將VGG網絡的第一個全連接層和第二個全連接層分別變為第一層卷積層和第二層卷積層，構建新的FCN網絡；

自生成特征網絡構建模塊：用于基于GAN網絡構建自生成特征網絡；

自生成特征計算模塊：用于將所述自生成特征網絡嵌入所述FCN網絡中，通過所述自生成特征網絡生成輸入影像的特征圖，將所述特征圖傳送給所述第一層卷積層和第二層卷積層，所述第一層卷積層和第二層卷積層利用所述特征圖得到所述輸入影像的識別結果。