[發明專利]基于U形CNN模型實現遙感圖像的建筑實例掩模提取方法

有效

• 申請號: 201910211894.1
• 申請日: 2019-03-20
• 公開（公告）號: CN110110729B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 劉袁緣;方芳;郭明強;覃杰;陳鼎元;楊淞晰
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 方琳

本發明提供了一種基于多尺度和多任務的U形CNN網絡模型來實現遙感圖像的建筑掩模提取方法，以實例分割方式實現高分辨率遙感圖像在不同尺度下的精確建筑掩模提取。本發明提供的建筑掩模提取方法中運用了多尺度融合U形網絡、區域建議關注網絡和邊緣約束損失的多任務網絡，通過優化聯合ECL等的多任務混合損失來快速收斂整個網絡，從而抑制有限可用訓練數據中的過度補償。本發明在不同尺度上已經實現了優異的性能和強大的魯棒性，在多種數據集上的精度顯著提高。

技術領域

本發明涉及高分辨率遙感影像建筑物實例提取技術領域，更具體地說，涉及一種基于多尺度和多任務的U形CNN模型來實現遙感圖像的建筑物實例掩模提取方法。

背景技術

基于高分辨率遙感的抽象建筑物提取傳感圖像已被廣泛用于通過深度學習自動測量和繪圖。由于以下問題，它仍然是一項重要且具有挑戰性的任務，一方面是由于目前的語義分割方法不能夠從具有變異尺度的地籍數據庫中有效地提取單個建筑物的掩模；另一方面是當卷積層變得更深時，現有的完全卷積網絡難以使用有限的可用訓練集獲得精確的掩模。

發明內容

本發明要解決的技術問題在于，針對上述缺陷，提供一種利用多尺度U形CNN模型來實現遙感圖像的建筑掩模提取方法，精確地實現具有不同尺度的每個單個建筑物掩模。

本發明解決其技術問題所采用的技術方案是：構造一種基于U形CNN模型實現遙感圖像的建筑實例掩模提取方法，包括以下三個步驟：

S1、多尺度融合U形網絡對輸入遙感圖像數據進行預處理；

S2、將步驟S1預處理得到的數據輸入到多尺度融合U形網絡的三個預訓練ResNet模型中，得到三張尺度不同的特征信息圖；

S3、對步驟S2得到的三張尺度不同的特征信息圖進行兩次級聯融合操作，將三張尺度不同的特征信息圖融合為復合特征信息圖；

S4、將步驟S3得到的復合特征信息圖輸入到U形反卷積網絡中進行特征學習，進一步得到輸入遙感圖像數據的第一全局特征圖；

S5、將步驟S4得到的第一全局特征圖輸入到區域建議關注網絡中進行建筑物區域邊界框提取，得到每個建筑物區域的局部特征圖；

S6、將步驟S5得到的每張局部特征圖分別輸入到基于邊緣約束損失的多任務學習網絡中，計算上述局部特征圖的聯合混合損失值L；

S7、根據得到的聯合混合損失值L優化所述多尺度融合U形網絡、區域建議關注網絡和基于邊緣約束損失的多任務學習網絡的網絡參數，并返回至步驟S2，期間重復執行步驟S2-S7，直到步驟S6中輸出的聯合混合損失值L收斂時，進一步執行步驟S8；

S8、從所述第一全局特征圖中提取建筑掩模。

進一步的，步驟S1中通過2倍上采樣、原尺度和2倍下采樣預處理操作，將輸入的遙感圖像數據處理成三個并行分支；其中：

第一個分支為2X輸入流，第二個分支為1X輸入流，第三個分支為0.5X輸入流。

進一步的，步驟S2中，所述第一個分支輸入到3個串聯的預訓練殘差卷積單元中得到第一尺度特征信息圖；所述第二分支輸入到2個串聯的預訓練殘差卷積單元中得到第二尺度特征信息圖；所述第三分支輸入到1個預訓練殘差卷積單元中得到第三尺度特征信息圖。

進一步的，所述2X輸入流用于將輸入的圖像插值為2倍大小；所述1X輸入流用于保持圖像的原始大小；所述0.5X輸入流用于將輸入的圖像降采樣為0.5倍大小。

進一步的，步驟S3中使用2個級聯的特征拼接和1*1卷積將第一尺度特征信息圖、第二尺度特征信息圖和第三尺度特征信息圖融合為復合特征信息圖。