[發明專利]一種基于深度卷積神經網絡的遙感圖像云層檢測方法

有效

• 申請號: 202011342358.4
• 申請日: 2020-11-25
• 公開（公告）號: CN112749621B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 傅莘莘;何一凡;杜曉鳳;滿旺
• 申請（專利權）人: 廈門理工學院
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V20/70;G06V10/40;G06V10/56;G06V10/764;G06V10/82;G06N3/0464;G06N3/0455;G06N3/048;G06N3/084
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 張松亭;林燕玲

1.一種基于深度卷積神經網絡的遙感圖像云層檢測方法,其特征在于，包括如下步驟：

1)從數據庫中獲取衛星遙感圖像，進行處理后分為訓練集和測試集；

2)構建深度卷積神經網絡模型，將訓練集輸入該深度卷積神經網絡模型進行訓練,通過使用自適應矩估計的梯度優化算法，提高深度卷積神經網絡模型訓練的收斂速度，給定超參數0≤β₁≤1，給定時間步為t，動量v_t即小批量隨機梯度g_t的指數移動平均：

m_t＝η[β₁m_t-1+(1-β₁)g_t]

v_t＝β₂v_t-1+(1-β₂)·diag(g_t²)

其中η表示學習率，m_t和v_t分別為梯度的一階矩和二階矩并有初值m₀＝0,v₀＝0,在迭代的階段，m_t和v_t有一個向初值的偏移，t表示時間步，所以需要對其做偏移矯正，有如下的公式:

并根據如上的公式對各個權重參數W_t進行更新:

β₁和β₂以及ε是預設的參數，W表示模型中的權重參數，W_t為第t個時間步長中W的值，和分別為經過偏移矯正的估計值；所述深度卷積神經網絡模型的注意力機制，包括如下：

通道注意力機制：

其中，σ表示Sigmoid激活函數，F為注意力模塊的輸入，其中為點乘的操作，W₀和W₁中r為一常數，r＝8，AvgPool是平均池化操作，MaxPool是最大池化操作，W₁和W₀是兩個權重矩陣的參數，MLP表示共享權重矩陣，表示整個通道注意力模塊的輸出，表示最大池化層的輸出，表示平均池化層的輸出；

深度注意力機制如下：

f^7×7為卷積核大小為7的卷積操作，F_avg表示多通道的平均池化操作，F_max表示多通道的最大池化操作，表示空間注意力模塊的輸出；

3)將測試集輸入訓練好的深度卷積神經網絡模型進行測試，得到模型的性能和準確度評估；包括如下：

模型的精度評估標準為：

模型召回率評估標準為:

準確率的評估標準為：

其中t_p(i,j)表示真陽性的數量，f_n(i,j)表示假陰性的數量，t_n(i,j)表示真陰性的數量，f_p(i,j)表示假陽性的數量，M表示測試圖像的數量，N表示一張測試圖像中像素的數量；

模型F1評估標準為:

Jaccard評估標準為：

其中t_i表示模型預測云掩模像素的值，y_i表示真實邊界值，ε表示一個小常數防止除0的操作；

4)將待檢測的圖片輸入測試通過的深度卷積神經網絡模型，則輸出云層檢測結果。