[發明專利]一種用于城市遙感場景識別的LW-CNN方法和系統

有效

• 申請號: 202011248497.0
• 申請日: 2020-11-10
• 公開（公告）號: CN112070070B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 夏景明;丁悅;談玲
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 陳月菊

本發明公開了一種用于城市遙感場景識別的LW?CNN方法，包括：輸入原始城市遙感圖像至LW?CNN場景識別網絡，采用多通道模塊對城市遙感圖像進行多視野特征提取；采用自適應池化層，根據提取得到的多視野特征圖尺寸，自動調整其中部分通道的卷積核和卷積步長，以統一輸出固定尺寸的特征圖；基于深層特征提取模塊，采用深度可分離卷積方式，對調整尺寸后的多視野特征圖進行深層特征提取；采用跳躍連接方式對深層特征提取塊輸出的多層特征進行融合；對融合得到的特征進行全局平均池化處理，以提取遙感圖像全局特征。本發明能夠在保證網絡層深度的情況下，減小網絡參數，且圖像輸入尺寸不受限制，提升遙感場景識別的精度。

技術領域

本發明涉及計算機視覺技術領域，具體而言涉及一種用于城市遙感場景識別的LW-CNN方法和系統。

背景技術

城市的快速發展導致城市土地覆蓋變化，人員密集和土地覆蓋率高是城市的主要特點，因此合理的城市區域識別是城市管理和規劃的前提，了解城市土地利用情況是城市發展的必要因素。遙感技術和神經網絡是兩種廣泛應用于城市土地利用率變化預測是實用工具，由于對土地利用進行標注和規劃需要消耗大量的人工成本，深度學習的出現推進了圖像識別、時間序列等多個研究領域的發展，圖像場景分類、語義標記、目標檢測和圖像檢索等許多任務都有了顯著的改進。深度學習的方法的主要優點是能夠從大量的數據中自動的學習高級特征，對圖像中的特征進行提取。利用深度學習來識別城市中的場景，不僅節省大量人工成本，并且提升識別準確率。

由于光學遙感圖像的空間分辨率有限，以像素為中心的光譜方法是傳統LULC分類工作的主流。高空間分辨率遙感圖像的快速發展為挖掘更復雜的空間模式帶來了機遇，基于地理對象的圖像分析（GEOBIA）因此成為LULC分類的新范式。它首先將圖像分割為多個分割對象，然后對其進行分類。隨著遙感技術的快速發展和數據量的不斷增加，可以將更多可用的數據引入到模型中來識別城市土地利用率的變化。基于深度學習的土地利用和土地覆蓋分類在像素級、對象級和場景級進行了探索。深層CNN模型通常在包含數百萬圖像的ImageNet上訓練，而NWPU-RESISC45數據集（用于遙感場景分類的最大數據集之一）包含的圖像不到35000張。另外，在ImageNet上預先訓練的CNN模型在不同的任務（如目標檢測和語義分割）上表現出強大的泛化能力。在這種情況下，使用現成的預訓練CNN模型（如AlexNet、VGG16和GoogleNet）作為一種通用的特征抽取器，已經成為遙感場景分類的一種的方法。然而上述提出的方法都存在弊端，輸入網絡的圖像尺寸固定，且網絡參數過大，不適用于移動端。

跳躍融合可以針對多尺度特征圖進行有效特征融合，然而，目前的跳躍融合多是應用于小目標精準檢測、復雜圖像處理時獲取高質量圖像、圖像邊界處理困難等場景下。例如專利號為CN110378398A的發明中提出一種基于多尺度特征圖跳躍融合的深度學習網絡改進方法，通過多尺度特征圖層間的跳躍連接進行特征融合，通過融合高層語義和低層位置信息使網絡能夠充分利用高低層特征，提高模型對小目標的敏感性和感知度，同時提升了模型總體檢測性能。其次通過多視角多分類策略，實現了高動態場景下目標類別的精準檢測。目前尚無將跳躍連接方式應用于城市遙感場景下，在保證網絡層深度的情況下減少網絡參數的相關技術內容。另外，現有技術中針對多通道采集到的多尺寸特征圖，通常是在網絡結構設計初始即確定了每個通道尺寸特征圖的尺寸調節方式，實際上，最初采集到的多尺寸特征圖雖然相互之間的尺寸不一致，但仍受到網絡結構的限制，并不能實現不受限制的圖像輸入尺寸。

發明內容

本發明針對現有技術中的不足，提供一種用于城市遙感場景識別的LW-CNN方法和系統，在保證網絡層深度的情況下，減小網絡參數，且圖像輸入尺寸不受限制，提升遙感場景識別的精度，可應用于無人機50-100m航拍場景識別，有效的克服了遙感圖像密集給場景識別帶來的困難。

為實現上述目的，本發明采用以下技術方案：

一種用于城市遙感場景識別的LW-CNN方法，所述方法包括以下步驟：