[發明專利]基于加權損失融合網絡的遙感圖像分割方法、裝置及介質

在審

• 申請號: 202011097624.1
• 申請日: 2020-10-14
• 公開（公告）號: CN112364699A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 顏軍;張永軍;劉文杰;鄧劍文;吳明朗;鄭忠良;郝夢
• 申請（專利權）人: 珠海歐比特宇航科技股份有限公司;廣東歐比特人工智能研究院有限公司;貴州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭晨鳴

1.一種基于加權損失融合網絡的遙感圖像分割方法，其特征在于：

S100，對遙感影進行預處理，得到用于卷積神經網絡的訓練數據；

S200，構建卷積神經網絡，所述卷積神經網絡包括多通道訓練分支的編碼器，通過所述編碼器對所述訓練數據進行上下文提取；

S300，構建雙金字塔模塊，通過所述雙金字塔模塊的兩組不同卷積膨脹率空間金字塔對所述訓練數據進行特征圖提取，輸出對應的第一特征圖；

S400，對所述S300得到特征圖進行上采樣處理，得到不同尺寸的第二特征圖，將所述第一特征圖與所述第二特征圖進行融合；

S500，構建感知損失網絡，通過損失網絡對融合的特征圖進行損失計算，通過計算得到的損失與損失網絡的加權融合進行反向傳播，實現參數更新。

2.根據權利要求1所述基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S100中的預處理包括：對所述遙感影像進行圖像裁剪、歸一化及數據擴充處理，其中，所述數據擴充所進行的操作分別是從水平和豎直方向進行翻轉。

3.根據權利要求1所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S200包括：所述卷積神經網絡使用在ImageNet數據集上預訓練的InceptionV-4作為網絡主干，去除所述卷積神經網絡的末端的平均池化層，同時在所述網絡主干增加網絡分支，得到多通道訓練分支的編碼器，所述網絡分支用于保留圖像的淺層特征。

4.根據權利要求3所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S200包括：

去掉平均池化層及后續的所有層，將Reduction-A層后的輸出單獨建立一個網絡分支，然后經過2*2的最大池化層后，與主干網絡末端融合。

5.根據權利要求3所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S300包括：

S310，在Stem模塊后建立第一空間金字塔作為并行訓練網絡，根據所述第一空間金字塔，提取所述訓練數據的第一階段的多尺度特征，融合ASPP1模塊五個分支的特征圖，形成對應的融合特征圖，將融合后的特征圖通過一個1*1的卷積；

S320，執行4*4的最大池化的卷積操作，將特征圖的尺寸進行縮小；

S330，在InceptionV-4網絡的Reduction-A模塊構建第二空間金字塔，通過ASPP2模塊接收的對應的特征圖，然后將ASPP2模塊的四個分支進行融合，通過一個1*1的卷積層，輸出特征圖，在卷積層后加入2*2的最大池化層，得到的特征圖。

6.根據權利要求5所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述第一空間金字塔及第二空間金字塔分別設置為膨脹率[1、6、12、18]及[1、6、12]。

7.根據權利要求1所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S400包括：

通過由四組卷積塊采樣模塊，對圖像尺寸的進行恢復。

8.根據權利要求1所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，所述S500包括：構建感知損失網絡，采用預訓練的VGG16網絡，將分割網絡得出的預測圖傳入到損失網絡中，計算得出損失，然后與分割網絡計算的損失加權融合并反向傳播，實現參數更新。

9.根據權利要求1所述的基于加權損失融合網絡的遙感圖像分割方法，其特征在于，該方法還包括：

使用IOU和F1作為評價指標對S100～S400的分割方法進行評判，其評判方式為，

其中P是正樣本的數量，N是負樣本的數量，TP預測正確的正樣本的數量，FP是預測錯誤的正樣本的數量，TN是預測正確的負樣本數量，FN是預測錯誤的負樣本數量，樣本的數量是每個圖片的像素數量。