[發明專利]基于卷積神經網絡的遙感影像建筑區提取方法、裝置

在審

• 申請號: 202011488322.7
• 申請日: 2020-12-16
• 公開（公告）號: CN112232328A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 陳一祥;元玉梅;成行
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，包括：

獲取遙感影像樣本數據作為訓練集和驗證集，樣本數據包括網格劃分的建筑區標簽和非建筑區標簽；

使用訓練集和驗證集對遙感影像建筑區識別模型進行訓練；所述遙感影像建筑區識別模型基于密集連接和注意力機制構建的卷積神經網絡；

采用所述遙感影像建筑區識別模型，對網格劃分后的測試影像進行分類得到建筑區二值圖；

對所述測試影像中的網格進行再劃分或/和網格平移后重新分類，將得到的建筑區二值圖進行融合，得到精細化建筑區結果圖。

2.根據權利要求1所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述樣本數據包括網格劃分的建筑區標簽和非建筑區標簽，包括：

若建筑區超過所在網格面積的一半，則所在網格標上建筑區標簽；若建筑區沒有超過所在網格面積的一半，則所在網格標上非建筑區標簽。

3.根據權利要求1所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述遙感影像建筑區識別模型基于密集連接和注意力機制構建的卷積神經網絡，包括：

用于遙感影像預處理的基本卷積操作層包括卷積層、批歸一化層和池化層；

用于提取遙感影像圖像特征的特征提取模塊包括密集連接塊、注意力機制塊和特征降維塊，所述密集連接塊包括四個組合函數，每個組合函數依次包括BN、ReLU、1x1 Conv、BN、ReLU和3x3 Conv，每個組合函數中特征圖像的增長率為16，所述注意力機制塊包括上分支的通道注意力和下分支的空間注意力；特征提取模塊設置有三個；

用于圖像特征后處理的后處理模塊包括批歸一化層、全局平均池化層和Softmax分類器。

4.根據權利要求3所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述使用訓練集和驗證集對遙感影像建筑區識別模型進行訓練，包括：

將密集連接塊得到的特征圖像輸入通道注意力分支，對輸入的特征圖像依次進行全局平均池化，兩次全連接層分別使用ReLu激活函數進行非線性操作和使用Sigmoid激活函數提取注意力權重，將注意力權重和輸入的特征圖像相乘，將得到的增強特征圖像經過1x1卷積后與輸入的特征圖像加權融合。

5.根據權利要求4所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述使用訓練集和驗證集對遙感影像建筑區識別模型進行訓練，包括：

將密集連接塊得到的特征圖像輸入空間注意力分支，對輸入的特征圖像依次進行批歸一化，使用1x1卷積對局部區域分配權重，通過ReLu激活函數，與輸入的特征圖像進行矩陣相乘，經過softmax歸一化得到每個位置相對于其他位置的注意力圖，將注意力圖中響應值作為加權對輸入的特征圖像進行加權融合；

將通道注意力分支得到的結果和空間注意力分支得到的結果相加，作為注意力機制塊的最后結果。

6.根據權利要求5所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述使用訓練集和驗證集對遙感影像建筑區識別模型進行訓練，包括：

將注意力機制塊得到的特征圖像輸入特征降維塊，采用包括BN、ReLU、1x1 Conv、2x2AvgPooling的結構進行壓縮，使得輸出的特征圖像長寬尺寸為輸入圖像長寬尺寸的一半。

7.根據權利要求6所述的基于卷積神經網絡的遙感影像建筑區提取方法，其特征在于，所述使用訓練集和驗證集對遙感影像建筑區識別模型進行訓練，包括：

將特征降維塊輸出的特征圖像再次輸入特征提取模塊兩次，將之后輸出的特征圖像輸入后處理模塊。