[發明專利]一種基于深度學習的遙感影像島礁提取方法在審
| 申請號： | 202010417762.7 | 申請日： | 2020-05-18 |
| 公開（公告）號： | CN111582218A | 公開（公告）日： | 2020-08-25 |
| 發明（設計）人： | 馬經宇;朱瑞飛;李竺強;劉思言;鞏加龍 | 申請（專利權）人： | 長光衛星技術有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/04 |
| 代理公司： | 長春眾邦菁華知識產權代理有限公司 22214 | 代理人： | 張偉 |
| 地址： | 130000 吉林省長*** | 國省代碼： | 吉林;22 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 遙感 影像 島礁 提取 方法 | ||
1.一種基于深度學習的遙感影像島礁提取方法，其特征在于，包括以下步驟：
步驟一、制作多尺度島礁實例分割訓練數據集
獲取不同場景、不同時相下包含島礁的若干幅衛星遙感影像；
在保證島礁的完整性的前提下，對每一幅所述衛星遙感影像進行分塊裁剪，得到分塊影像；
利用實例分割標注工具對每一幅分塊影像中的島礁進行標注，得到對應的標注信息文件；
對所有分塊影像及其對應的標注信息文件進行數據增強處理，得到增強后的數據；
對增強后的數據進行訓練集、驗證集與測試集的劃分；
將不同數據集下的所有分塊影像對應的標注信息文件按照Microsoft COCO實例分割標準進行格式轉換，轉換后得到多尺度島礁實例分割訓練數據集；
步驟二、島礁實例分割模型訓練
通過ResNet50網絡對所述多尺度島礁實例分割訓練數據集中的圖像進行特征提取，得到五個層次的特征圖，分別為C1特征圖、C2特征圖、C3特征圖、C4特征圖和C5特征圖；
利用C2特征圖、C3特征圖、C4特征圖和C5特征圖建立特征金字塔網絡，得到五個特征圖，分別為P2特征圖、P3特征圖、P4特征圖、P5特征圖和P6特征圖；
以P2特征圖、P3特征圖、P4特征圖、P5特征圖和P6特征圖上的每個像素點生成錨框；
對全部錨框進行正負樣本劃分，并計算每一個錨框與真實框之間的偏移量，生成RPN網絡數據集；
基于所述RPN網絡數據集計算島礁實例分割模型的損失函數，所述損失函數由RPN目標框回歸損失函數、RPN前景/背景分類損失函數、RoI對應的分類損失函數、RoI對應的邊框回歸損失函數、像素分割二分類交叉熵損失函數相加組成；
采用隨機梯度下降算法進行網絡優化，學習率采用Warm up策略，利用多尺度島礁實例分割訓練數據集對島礁實例分割模型進行訓練；
待模型收斂后，輸出訓練好的島礁實例分割模型；
步驟三、遙感影像島礁信息自動化提取
對待提取遙感影像進行圖像預處理操作，得到預處理后的圖像；
將預處理后的圖像輸入訓練好的島礁實例分割模型，得到島礁信息提取結果，所述島礁信息提取結果包括每一個島礁實例對應的一組多邊形的點集及其置信度；
根據每幅裁剪影像的偏移信息和所述島礁信息提取結果得到每個多邊形相對于待提取遙感影像左上角頂點的精確坐標，將所有裁剪影像中島礁的多邊形信息匯總后，得到整幅待提取遙感影像的島礁提取初步結果；
通過非極大值抑制操作對所述島礁提取初步結果進行第一輪篩選，通過置信度閾值對第一輪篩選后的結果進行第二輪篩選，得到島礁提取精確結果；
根據待提取遙感影像的地理信息，將島礁提取精確結果中每個多邊形對應的圖像坐標轉換為地理坐標，得到待提取遙感影像的島礁提取結果文件。
2.根據權利要求1所述的基于深度學習的遙感影像島礁提取方法，其特征在于，根據通過RPN前向傳播計算得到的預測偏移量與正樣本錨框與真實框之間的偏移量計算所述RPN目標框回歸損失函數，所述RPN目標框回歸損失函數的計算公式如下：
其中：
tx＝(x-xa)/wa,ty＝(y-ya)/ha,tw＝log(w/wa),th＝log(h/ha),
上式中(x,y)為RPN前向傳播計算得到的預測框坐標值，(xa,ya)為錨框對應的坐標值，(x*,y*)為真實框對應的坐標值，wa為錨框的寬度，ha為錨框的高度。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于長光衛星技術有限公司，未經長光衛星技術有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202010417762.7/1.html，轉載請聲明來源鉆瓜專利網。
