[發明專利]一種半監督深度圖卷積的遙感土地利用語義分割方法

有效

• 申請號: 202110174829.3
• 申請日: 2021-02-09
• 公開（公告）號: CN112861722B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 李連發
• 申請（專利權）人: 中國科學院地理科學與資源研究所
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 許媛媛

本發明公開了一種半監督深度圖卷積的遙感土地利用語義分割方法，包括以下處理過程：數據采集，確定樣本的抽樣方案及多尺度網絡模型；劃分監督及非監督學習樣本，并設置訓練、驗證及測試樣本；設立多樣本多尺度的深層編碼?解碼CNN模型，并進行預訓練；設立門控循環的圖卷積網絡，并連接成深度殘差網絡模型；采用監督樣本對進行監督學習；采用監督及非監督樣本進行半監督學習；判斷精度或訓練次數是否達標；若達標，進入模型的尺度轉換應用。本發明提高了圖像分割模型在遙感圖像土地利用語義分割的效率，且減少分割過程中的噪點，提高遙感土地利用分割的質量。

技術領域

本發明涉及一種語義分割方法，尤其涉及一種半監督深度圖卷積的遙感土地利用語義分割方法。

背景技術

雖然深度學習在計算機視覺、圖像處理及醫學影像等領域取得了不錯的效果，但是應用在遙感圖像分類方面還是比較有限的。由于處理的影響數據波段特性差異，即普通光學RGB-D的4波段影像同遙感波譜影像及其特征的較大差別，導致許多深度學習算法及預處理模型不能直接用于處理遙感圖像，一些較新的技術在遙感土地利用分割應用有限。因此，充分利用先進的深度學習技術，提高遙感土地利用分割的效果，是當前遙感圖像處理領域的前沿技術。遙感圖像土地利用分割精度的提高，對提高土地覆蓋監控、城市土地規劃、交通路線規劃及農作物監測等具有重要意義。

同傳統的方法比較，深度學習在語義分割方面的效率及精度上均取得了突出的進展。例如，全卷積網絡(fully convolutional network，簡寫FCN)取代了傳統的“圖像-補丁”(image-patch)方法，通過全連接層極大提高了圖像語義分割的效率。此外，SegNet通過從編碼層復制信息到解碼層提高分割效果，而空洞卷積(dilated convolution)提高感受野(receptive field)。此外，DeepLab第一版及第二版分別提出空洞層、多孔空間金字塔池(atrous spatial pyramidpooling，簡寫ASPP)及充分連接的條件隨機層提高語義分割的精度。現有技術提出的RefinedNet采用了殘差塊提高存儲效率，以及現有技術提出的全局卷積提高分類及分割精度。雖然深度學習圖像語義分割總體精度提高了，但是在一些局部細節方面還需要后處理，條件隨機場(conditional random field，簡稱CRF)提出來采用概率模型建模空間對象(點)之間的依賴關系。CRF以RNN方式嵌入模型，卷積條件隨機場則將條件隨機場引入深層卷積建模。Conv-LSTM則采用LSTM(Long-short term memory，簡寫LSTM)結合卷積神經網絡(Convolutional neural network，簡寫CNN)提高分割精度。現有技術還采用有對抗網絡GAN進行圖像分割，但泛化性有限。雖然后處理如條件隨機場同深度網絡融合提高精度，但鄰近點信息依賴于已有的先驗知識或關系，信息傳播效率提高有限。

條件隨機場作為一種圖建模技術提高有限，作為圖建模新方法的圖卷積網絡則提供了更強大的不規則節點的建模及優化技術。圖卷積網絡通過建模最近鄰依賴關系，可以提高節點之間的鄰近關系建模。對于柵格的圖建模方法，連接的建立確定在圖像節點的位置，大幅提高圖建模的效率。現有技術已有將深層特征引入圖卷積的輸入，采用門卷積進行建筑物圖像分割，從而提高了建筑物的語義分割。

此外，許多語義分割模型是基于單模型的，相對多模型，由于單模型基于單一尺度樣本建模，而單一樣本訓練受到抽樣偏差影響，預測具有一定的不確定性，在實際應用中泛化性有限。有的則是采用多個分離單模型的簡單聚集，也提高了語義分割的精度。對遙感土地利用的圖像分割，一個普遍的主要問題是樣本獲取的困難，通常采用手工方式劃分邊界獲得標注樣本。然而，手工方式獲取樣本花費大量的時間，獲得樣本數有限，標注的準確性也受到人為判斷失誤的影響。而且還有大量的非標注樣本，如何有效的將這些樣本利用起來提高分割的精度，也是遙感土地利用語義分割方面亟需解決的問題。