[發(fā)明專(zhuān)利]一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010795781.3
• 申請(qǐng)日: 2020-08-10
• 公開(kāi)（公告）號(hào): CN112084871A
• 公開(kāi)（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 夏列鋼;張雄波;張軍俠;吳煒;楊海平
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/08;G06T7/11;G06T7/13
• 代理公司: 杭州天正專(zhuān)利事務(wù)所有限公司 33201
• 代理人: 王兵

一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，首先根據(jù)提取任務(wù)確定遙感地物目標(biāo)并制作相應(yīng)的少量精確樣本標(biāo)簽和大量不確切樣本標(biāo)簽。然后使用少量精確樣本標(biāo)簽訓(xùn)練小樣本集邊緣模型。再使用小樣本集邊緣模型去預(yù)測(cè)大量不確切樣本集，得到大量的地物目標(biāo)邊緣強(qiáng)度圖，對(duì)這批質(zhì)量參差不一的強(qiáng)度圖使用骨架提取算法獲得骨架圖，再采用邊界完整程度算法計(jì)算每個(gè)地物目標(biāo)的邊界完整情況，并按給定閾值挑選整體邊界完整度較高的骨架圖作為大量較準(zhǔn)確樣本集。接著使用大量較準(zhǔn)確樣本集訓(xùn)練大樣本集邊緣模型。最后用大樣本集邊緣模型預(yù)測(cè)待生產(chǎn)的高分遙感影像，并用骨架提取，獲得最終的目標(biāo)邊界提取結(jié)果。本發(fā)明的模型精度超過(guò)少量樣本的模型精度。

技術(shù)領(lǐng)域

本發(fā)明提出一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，涉及遙感、神經(jīng)網(wǎng)絡(luò)和弱監(jiān)督學(xué)習(xí)等技術(shù)領(lǐng)域。

技術(shù)背景

我國(guó)第一顆遙感衛(wèi)星發(fā)射至今已有近50年。隨著對(duì)航天領(lǐng)域的不斷投入與深入研究，中國(guó)大型遙感衛(wèi)星數(shù)量超越美俄，位列世界第一，大量的遙感資源縮短了地表觀測(cè)周期。同時(shí)遙感影像空間分辨率不斷提高，從影像中能夠更清晰更準(zhǔn)確地檢測(cè)空間地物。然而如何從龐大的遙感資源中快速、精確、有效地提取出具有地學(xué)意義的對(duì)象一直是遙感生產(chǎn)人員重點(diǎn)研究的問(wèn)題。

傳統(tǒng)的遙感影像信息獲取通常采用人工勾畫(huà)圖斑的方法，遙感生產(chǎn)人員憑借專(zhuān)業(yè)的地理知識(shí)和多年的工作經(jīng)驗(yàn)?zāi)軌驕?zhǔn)確的判別圖斑類(lèi)型并精細(xì)地進(jìn)行勾畫(huà)分類(lèi)，保證了可應(yīng)用遙感影像的質(zhì)量。但是龐大的遙感資源與低下的勾畫(huà)效率形成鮮明的反差，僅在人工勾畫(huà)的條件下，絕大多數(shù)影像資源得不到利用，而且得到利用的那部分影像也往往具有滯后性。近年來(lái)，深度學(xué)習(xí)的逐漸發(fā)展為遙感影像提取帶來(lái)了全新的解決方案。深度學(xué)習(xí)方法以模擬人類(lèi)神經(jīng)結(jié)構(gòu)為思路，提出深層卷積神經(jīng)網(wǎng)絡(luò)，輔以人工標(biāo)記的真實(shí)標(biāo)簽輸入，通過(guò)不斷修正每個(gè)神經(jīng)元而最終達(dá)到對(duì)特定目標(biāo)的擬合。目前已有不少深度學(xué)習(xí)方面的研究在公開(kāi)數(shù)據(jù)集上取得了良好成效，然而神經(jīng)網(wǎng)絡(luò)模型的弱遷移性和對(duì)訓(xùn)練集的依賴性需要大量的精確標(biāo)注的遙感影像樣本作為支撐，若全部由人工繪制，則將是一個(gè)龐大的工程。

因此不少深度學(xué)習(xí)研究人員開(kāi)始探尋減少樣本使用情況而保持提取準(zhǔn)確率的方法，這類(lèi)方法統(tǒng)稱為弱監(jiān)督學(xué)習(xí)。根據(jù)樣本的標(biāo)注情況，可以將弱監(jiān)督學(xué)習(xí)分為不完全監(jiān)督、不確切監(jiān)督、不準(zhǔn)確監(jiān)督三種。不完全監(jiān)督即只有小部分樣本帶有標(biāo)簽，再利用這部分樣本提供的有用信息對(duì)大部分未標(biāo)注樣本進(jìn)行操作，從而獲得所有樣本的價(jià)值。不確切監(jiān)督即樣本的標(biāo)注不夠精確，只有粗粒度的標(biāo)簽，不確切的樣本可以為分類(lèi)任務(wù)和目標(biāo)檢測(cè)任務(wù)等提供支持，但是難以應(yīng)用于提取難度更高的分割任務(wù)。不準(zhǔn)確監(jiān)督即樣本標(biāo)簽并不總是準(zhǔn)確，往往帶有錯(cuò)誤信息，自動(dòng)找出正確標(biāo)簽并利用正確標(biāo)簽特征弱化錯(cuò)誤標(biāo)簽帶來(lái)的負(fù)面影響是不準(zhǔn)確監(jiān)督學(xué)習(xí)的重要任務(wù)。

發(fā)明內(nèi)容

本發(fā)明要解決高分遙感影像利用效率不高，人工標(biāo)注影像標(biāo)簽時(shí)間過(guò)長(zhǎng)的問(wèn)題，提出了一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法。

本發(fā)明可通過(guò)少量精細(xì)標(biāo)注樣本和大量粗粒度標(biāo)注樣本拓展訓(xùn)練數(shù)據(jù)集，豐富數(shù)據(jù)集的覆蓋區(qū)域和各目標(biāo)的特征類(lèi)型，可以更好地進(jìn)行表征學(xué)習(xí)，壓制數(shù)據(jù)集中的噪聲。

為實(shí)現(xiàn)上述目的，本發(fā)明提出的技術(shù)方案如下：

一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，方法包括如下步驟：

步驟1：制作遙感影像目標(biāo)邊界樣本：選用高分辨率遙感衛(wèi)星影像數(shù)據(jù)，選取多處生產(chǎn)目標(biāo)所在區(qū)域裁剪成統(tǒng)一大小的多景影像，對(duì)少量影像描畫(huà)目標(biāo)的精細(xì)邊界并標(biāo)記類(lèi)型，獲得少量精確樣本標(biāo)簽，對(duì)大量影像標(biāo)注地物目標(biāo)中心點(diǎn)，獲得大量不確切樣本標(biāo)簽。

步驟2：根據(jù)提取目標(biāo)選擇神經(jīng)網(wǎng)絡(luò)并使用少量精確樣本標(biāo)簽訓(xùn)練小樣本集邊緣模型至擬合。

步驟3：使用小樣本集邊緣模型預(yù)測(cè)步驟1中的大量不確切樣本，獲得大量不準(zhǔn)確樣本標(biāo)簽。