[發明專利]基于多任務學習的高分辨率遙感影像地物變化檢測方法

有效

• 申請號: 202010294564.6
• 申請日: 2020-04-15
• 公開（公告）號: CN111582043B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 解梅;付威福;彭清;王裕;賀凱;馬爭;徐小剛;王士成;李峰
• 申請（專利權）人: 電子科技大學;中國電子科技集團公司第五十四研究所
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V20/10;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

1.基于多任務學習的高分辨率遙感影像地物變化檢測方法，其特征在于，包括以下步驟：

步驟1、遙感影像數據預處理；

步驟1-1、針對同一地理區域、不同時刻下的原始遙感圖像進行數據標定和裁剪，得到像素配準的成對遙感圖像；

步驟1-2、將成對遙感圖像中的兩幅遙感圖像分別進行逐像素標注，標注后的數據存儲在相同尺寸的單通道標簽圖像中、得到每幅遙感圖像的語義標簽圖像；

步驟1-3、將成對遙感圖像中的兩幅遙感圖像對應的語義標簽圖像進行逐像素比對，若前后標簽不一致則視為變化區域、記作1，否則視為非變化區域、記作0，將結果存儲在相同尺寸大小的單通道標簽圖像中、得到成對遙感圖像的變化標簽圖像；

步驟2、構建及訓練語義分割模型；

步驟2-1、構建語義分割模型，包括：特征提取模塊、ASPP模塊和上采樣模塊，其中，特征提取模塊采用ResNext50特征提取網絡，單幅遙感影像輸入特征提取模塊，得到初步特征圖，初步特征圖通過ASPP模塊和上采樣模塊得到語義分割結果圖；

步驟2-2、訓練語義分割模型：

采用步驟1中單幅遙感圖像與其對應的語義標簽圖構建語義分隔模型訓練集；將單幅遙感圖像的語義分割結果圖與其對應語義標簽圖逐像素計算多分類交叉熵損失，采用梯度下降和反向傳播算法對全模型進行迭代訓練，得到訓練完成的語義分割模型；

步驟3、構建及訓練變化檢測模型；

步驟3-1、構建變化檢測模型，包括：特征提取模塊、ASPP模塊和上采樣模塊，其中，所述特征提取模塊采用步驟2訓練完成的語義分割模型中的ResNext50特征提取網絡，并凍結網絡參數；成對遙感圖像輸入特征提取模塊，得到兩張初始特征圖，兩張初始特征圖通過差值法得到差值特征圖，差值特征圖通過ASPP模塊和上采樣模塊之后得到變化檢測結果圖；

步驟3-2、訓練變化檢測模型：

采用步驟1中成對遙感圖像及其對應的變化標簽圖構建變化檢測模型訓練集；將成對遙感圖像的變化檢測結果圖與其對應變化標簽圖求取二分類交叉熵損失，采用梯度下降和反向傳播算法對ASPP模塊進行迭代訓練，得到訓練完成的變化檢測模型；

步驟4、構建及訓練多任務學習地物變化檢測模型；

步驟4-1、構建多任務學習地物變化檢測模型，包括：兩條語義分割模型分支與一條變化檢測模型分支；其中，三條分支共享特征提取模塊、所述特征提取模塊與步驟2及步驟3中特征提取模塊相同，所述語義分割模型分支的ASPP模塊和上采樣模塊與步驟2中訓練完成的語義分割模型中的ASPP模塊和上采樣模塊相同，所述變化檢測模型分支的ASPP模塊和上采樣模塊與步驟3中訓練完成的變化檢測模型中的ASPP模塊和上采樣模塊相同；成對遙感圖像輸入特征提取模塊得到兩張初始特征圖，兩張初始特征圖分別通過兩條語義分割模型分支得到兩張語義分割結果圖、同時兩張初始特征圖通過差值法得到差值特征圖，差值特征圖通過變化檢測模型分支得到變化檢測結果圖；

步驟4-2、訓練多任務學習地物變化檢測模型：

采用步驟1中成對遙感圖像及其對應的語義標簽圖與變化標簽圖構建多任務學習地物變化檢測模型訓練集；將成對遙感圖像的兩張語義分割結果圖與對應語義分割標簽圖分別求取多分類交叉熵損失，將成對遙感圖像的變化檢測結果圖與對應變化檢測標簽圖求取二分類交叉熵損失，將三個交叉熵損失進行等權重相加，并基于梯度下降和反向傳播算法對全網絡進行迭代訓練，得到訓練完成的多任務學習地物變化檢測模型；

步驟5、基于步驟4訓練完成的多任務學習地物變化檢測模型進行高分辨率遙感影像地物變化檢測。

2.按權利要求1所述基于多任務學習的高分辨率遙感影像地物變化檢測方法，其特征在于，所述語義標簽圖像中，0灰度表示背景，1～6灰度分別表示建筑物、耕地、水體、道路、森林、草地6類地物類型。