The invention discloses a remote sensing object interpretation method based on focusing weight matrix and variable scale semantic segmentation Neural Network, which includes the following steps: data acquisition and data preprocessing; thematic map making; sample cutting; multi spatial scale remote sensing image annotation strategy design; making sample set annotation; building multi-scale remote sensing image semantic interpretation model; selecting training set and verification Set; set training parameters; model training; design of remote sensing object recognition algorithm based on focus weight matrix and validation analysis of semantic interpretation model of variable scale remote sensing image. By constructing LSTM, the invention transfers the spatial relation in semantic description to the object mask, so as to realize the variable scale semantic segmentation of remote sensing objects and the end-to-end recognition of spatial relation, and guide the image classification and recognition work in remote sensing application field to a higher level.
【技术实现步骤摘要】
一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法
本专利技术涉及图像处理
,具体涉及一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法。
技术介绍
遥感影像分类与遥感对象识别是目前遥感技术的研究热点,伴随着人工智能技术的发展,深度神经网络在高分遥感影像分析中得到广泛应用,日益成为一种有效的处理方法。目前传统基于Attention机制的LSTM模型主要应用于普通数字影像的语义描述,本申请专利技术人在实施本专利技术的过程中,发现现有技术的方法,至少存在如下技术问题:空间位置不确定性:在不同的时刻,关注区机制产生一个14*14大小的图像特征矩阵,对应于遥感影像中196个空间位置,这往往存在一些偏差,限制了其在遥感对象识别中的应用。边界不确定性:语义描述中的名词(对象的标签)不能准确地分割图像中遥感对象的边界,因此不能识别对象之间的空间关系。空间尺度不确定性:对象周边信息复杂多变,很难通过单一尺度的模型识别遥感对象,有时需要更大尺度的语义信息来更准确识别遥感对象。由此可知,现有技术中的方法存在识别不准确的技术问题。
技术实现思路
有鉴于此,本专利技术提供了一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法,用以解决或者至少部分解决现有技术中的方法存在识别不准确的技术问题。本专利技术提供了一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法,包括:步骤S1:获取预设研究区域的高分辨率遥感影像 ...
【技术保护点】
1.一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法,其特征在于,包括:/n步骤S1:获取预设研究区域的高分辨率遥感影像,并对获取的高分辨率遥感影像进行预处理;/n步骤S2:利用专业GIS软件进行矢量化工作,得到研究区域专题图层,并对矢量专题图栅格化,得到对应的栅格灰度图;/n步骤S3:对预处理后的遥感影像以及栅格灰度图进行切割,提取出两套空间尺度的数据样本集,其中,两套空间尺度的数据样本集分别包含原始影像和大尺度GT图,原始影像和小尺度GT图;/n步骤S4:对两套空间尺度的数据样本集中的每个遥感影像按照多空间尺度遥感影像标注策略进行内容标注,得到样本集标注;/n步骤S5:构建变尺度遥感影像语义解译模型,通过解译模型得到多尺度语义分割图,并通过掩膜提取算法提取出两个尺度对象的掩膜,再通过一个变尺度对象识别将U-Net网络分割出的小尺度掩膜对象与语义描述中的名词进行关联,其中,变尺度遥感影像语义解译模型包括:FCN全卷积网络、U-Net语义分割网络以及基于Attention机制的LSTM网络,其中,FCN网络用于大尺度对象分割,U-Net网络用于小尺度对象分割,LSTM用以 ...
【技术特征摘要】
1.一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法,其特征在于,包括:
步骤S1:获取预设研究区域的高分辨率遥感影像,并对获取的高分辨率遥感影像进行预处理;
步骤S2:利用专业GIS软件进行矢量化工作,得到研究区域专题图层,并对矢量专题图栅格化,得到对应的栅格灰度图;
步骤S3:对预处理后的遥感影像以及栅格灰度图进行切割,提取出两套空间尺度的数据样本集,其中,两套空间尺度的数据样本集分别包含原始影像和大尺度GT图,原始影像和小尺度GT图;
步骤S4:对两套空间尺度的数据样本集中的每个遥感影像按照多空间尺度遥感影像标注策略进行内容标注,得到样本集标注;
步骤S5:构建变尺度遥感影像语义解译模型,通过解译模型得到多尺度语义分割图,并通过掩膜提取算法提取出两个尺度对象的掩膜,再通过一个变尺度对象识别将U-Net网络分割出的小尺度掩膜对象与语义描述中的名词进行关联,其中,变尺度遥感影像语义解译模型包括:FCN全卷积网络、U-Net语义分割网络以及基于Attention机制的LSTM网络,其中,FCN网络用于大尺度对象分割,U-Net网络用于小尺度对象分割,LSTM用以生成包含两个空间尺度对象及其空间关系的语义描述;
步骤S6:对构建的变尺度遥感影像语义解译模型中的FCN网络、U-Net语义分割网络以及LSTM网络进行训练,得到训练后的模型;
步骤S7:利用训练后的模型进行遥感对象的识别,具体包括:通过LSTM网络当前时刻生成名词的聚焦权重矩阵定位到U-Net语义分割得到的掩模图中相应的小尺度对象,如果对象类标签...
【专利技术属性】
技术研发人员:崔巍,何新,姚勐,王梓溦,郝元洁,穆力玮,马力,陈先锋,史燕娟,胡颖,申雪皎,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。