[發明專利]一種基于全卷積神經網絡的遙感圖像語義分割方法及裝置

有效

• 申請號: 202110625909.6
• 申請日: 2021-06-04
• 公開（公告）號: CN113326847B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 朱鵬飛;賈安;劉滿杰;謝津平;徐寅生;詹昊;張云姣;王守志
• 申請（專利權）人: 天津大學;中水北方勘測設計研究有限責任公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G06T3/40
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

1.一種基于全卷積神經網絡的遙感圖像語義分割方法，其特征在于，所述方法以少量的內存空間開銷為代價減少參數量，壓縮神經網絡模型，有效整合不同層次和尺度的特征信息，包括：

構建由卷積模塊BasicConv和瓶頸層Bottleneck組成的全卷積神經網絡，使用線性插值的上采樣模塊與瓶頸層Bottleneck組成向上路徑；

將密集塊Dense?Block中的每一密集層定義為瓶頸層與卷積核尺寸為3的卷積模塊的復合操作；

在密集塊內部的特征圖尺寸一致的情況下，設計了Down?Sampling和Up?Sampling模塊進行下采樣和上采樣；

結構總體上由一條向下通路和一條向上通路構成，包含兩個或多個階梯，每個階梯的特征圖分辨率相等，不同階梯通過下采樣或上采樣連接，同一階梯的向下通路和向上通路之間使用跳躍連接相連；

構建相似度度量函數，基于所述函數實現對遙感圖像的語義分割；

其中，所述向下通路由Dense?Block和Down?Sampling兩部分構成，Dense?Block負責特征提取，Down?Sampling負責下采樣；

所述向上通路由Up?Sampling和Bottleneck組成，Up?Sampling將特征圖逐步恢復為原始分辨率，Bottleneck對兩個相鄰階梯的特征圖進行整合；

一個L層的密集塊由L層密集層構成，第l層與前面的1,2,…,l-1層相連，其輸出連接到后繼的l+1,l+2,…,L-1,L層；

在跳躍連接中加入連續的瓶頸層來聚合密集塊產生的不同層次的特征信息；最后的瓶頸層對所有的特征進一步整合并將特征圖數量降到k個，并使用Softmax歸一化的概率值作為預測結果；

所述相似度度量函數為：

設每個特征圖體積為N，則第i個特征圖包含N個預測值，用集合Pⁱ表示，每個預測值表示第j個像素屬于第i類的概率；真值G為one-hot編碼的類別標簽，表示第i個特征圖中的第j個像素是否屬于第i類，用1或0表示；ε為光滑系數，代價函數為：

通過設計的BasicConv模塊降低空間復雜度，得到的結果精細，對圖像中的細節敏感；所述方法考慮了像素與像素之間的關系，使結果具有空間一致性。

2.一種基于全卷積神經網絡的遙感圖像語義分割裝置，其特征在于，所述裝置包括：處理器和存儲器，所述存儲器中存儲有程序指令，所述處理器調用存儲器中存儲的程序指令以使裝置執行權利要求1所述的方法步驟。

3.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令被處理器執行時使所述處理器執行權利要求1所述的方法步驟。