基于遥感影像的U型空洞全卷积分割网络识别模型制造技术

本发明专利技术公开了基于遥感影像的U型空洞全卷积分割网络识别模型,包括数据预处理模块、模型训练模块和模型评价模块；其特征在于：所述数据预处理模块：用于将遥感影像进行数据预处理操作，得到数据集，再将数据集等比抽样，生成训练集、验证集和测试集；所述模型训练模块用于通过搭建U型空洞全卷积分割网络模型，并利用所述训练集的数据训练U型空洞全卷积分割网络模型参数，进行模型学习，更新网络权重；并利用所述验证集的数据与识别效果之间的差异来调整U型空洞全卷积分割网络模型中涉及的超参数，并判断U型空洞全卷积分割网络模型收敛程度，以达到深层训练的目的；可广泛应用在不同尺度的遥感影像地物。

Recognition model of U-shaped hole full convolution segmentation network based on remote sensing image

【技术实现步骤摘要】
基于遥感影像的U型空洞全卷积分割网络识别模型
本专利技术涉及DUSegNet分割识别模型，具体涉及基于遥感影像的U型空洞全卷积分割网络识别模型。
技术介绍
遥感监测是对地表资源监督管理的重要技术手段，而针对多光谱遥感影像的地物提取主要是利用不同地物的光谱反射特性差异，通过影像不同波段反应特性来区分不同的地物信息。而全色影像(Pan)和RGB彩色影像的地物提取则一般是利用图像的纹理特征、几何特征等进行图像分割实现地物提取。然而这些传统方法低分辨率影像中有一定的适用性，但随着传感器技术的进步，诸如国产高分二号等卫星遥感影像达到亚米级的空间分辨率，这个时候这些传统的图像分割算法也许就捉襟见肘了。近年来，人工智能领域的深度学习策略在大数据分析领域成效显著，具有高精度、高时效的特点，为遥感影像信息自动提取提供了有效的思路。遥感影像区别于自然图像，其地物信息往往尺度变化大，且诸如建筑、车辆等地物信息普遍尺度很小，而对于诸如道路、河流等地物信息是属于狭长的类型，对于立交桥等地物信息结构错综复杂。此外，对于矿山等地物信息，在影像中稀疏度也很高。因此，基于自然图像的图像分割和识别算法并不适用于遥感影像地物信息的分割和识别，需要构建一种适用于多尺度、细粒度、能够识别狭长地物特性且充分利用遥感影像光谱特性的分割识别算法。
技术实现思路
本专利技术针对现有技术存在的不足，提出了基于遥感影像的U型空洞全卷积分割网络识别模型。本专利技术的技术方案是：基于遥感影像的U型空洞全卷积分割网络识别模型,包括数据预处理模块、模型训练模块和模型评价模块；其特征在于：所述数据预处理模块：用于将遥感影像进行包括几何校正、影像融合、图像增强以及影像切割的一系列数据预处理操作，得到数据集，再将数据集等比抽样，生成训练集、验证集和测试集。所述训练集用于训练网络参数，进行模型学习。所述验证集用于模型中一些超参数的调优。所述测试集用于测试和评价模型性能。所述模型训练模块用于通过搭建U型空洞全卷积分割网络模型，并利用所述训练集的数据训练U型空洞全卷积分割网络模型参数，进行模型学习，更新网络权重。并利用所述验证集的数据与识别效果之间的差异来调整U型空洞全卷积分割网络模型中涉及的超参数，并判断U型空洞全卷积分割网络模型收敛程度，以达到深层训练的目的。所述模型评价模块用于利用测试集的数据对搭建的U型空洞全卷积分割网络模型进行测试和评价模型性能。所述U型空洞全卷积分割网络模型包括编码器、强化器、解码器和判别器。所述编码器利用卷积层和池化层堆叠方式构建金字塔特征提取模式，以提取不同尺度、不同语义层的图像特征，输出到强化器。所述强化器利用空洞卷积以及卷积堆叠串联两种方式来增加感受野范围。并采用多分支结构提取不同感受野范围、不同尺度信息的图像特征，再进行多尺度特征的融合和筛选，形成多尺度融合特征，输出到解码器。即所述强化器在尽量不增加模型训练参数的基础上尽可能增大图像特征的感受野的范围,提升图像特征的非局部特性，同时减少网络参数规模，使得所提取到的图像特征更具有泛化能力，输出到解码器。解决由于感受野大小不足、池化信息丢失等操作导致的针对诸如河流、道路等狭长地貌特征弱化、消失和畸变等问题，以及在矿山等地物信息形态各异、尺度多变且极度稀疏导致的识别困难问题。所述解码器利用反卷积层和卷积堆叠方式构建金字塔特征解耦模式，融合和解码不同尺度、不同语义层的图像特征，输出到判别器。所述判别器用于将图像特征图转化为类别置信度，进而得到最后的分割、识别结果。根据本专利技术所述的基于遥感影像的U型空洞全卷积分割网络识别模型的优选方案，所述编码器采用特征金字塔模型，其构架与SegNet模型(SegmentationNetwork，分割网络模型)一致。用于利用卷积堆叠的方式提取不同层次的语义特征，并入池化操作使提取的特征适应不同尺度信息，同时达到增大感受野和减少计算量的目的。共含有多层金字塔和多次池化操作，并保存各层池化索引，供解码器上采样使用。以提高解码精度，精细化分割边界。所述解码器采用金字塔模型，其构架与SegNet模型(SegmentationNetwork，分割网络模型)类似。与编码器一样，共含有多层金字塔和多次池化操作。采用卷积堆叠的方式架构，并利用反卷积操作恢复与重构尺度信息特征。并且在编码、解码过程中传递信息不只是池化索引，还包括编码金字塔每层的最后一层卷积形成的特征层，补充由于池化操作丢失的浅层高频特征及边界信息。解码器使用相应的编码器池化索引，来进行输入特征图的非线性上采样操作，其具体过程为在编码过程的池化过程中记录下每组索引，然后在解码网络中利用反卷积实现上采样，以恢复由于池化导致的尺度变换，然后把输入特征图的数据根据索引恢复到原来的位置上，其余位置填0补充。所述强化器采用串-并行模型，是一个多分支结构，每个分支使用空洞卷积来构架，每个分支感受野范围不同，利用空洞卷积串联来实现感受野的增大，并且在特征图叠加之前增加了特征图的连接层，使得不同深度的特征图共同泛化图像中诸如露天矿山、道路、水域等地物信息的特征。使得不同深度的特征图共同泛化图像中地物信息的特征。根据本专利技术所述的基于遥感影像的U型空洞全卷积分割网络识别模型的优选方案，所述U型空洞全卷积分割网络模型由卷积层(包括常规卷积、空洞卷积和反卷积)、池化层堆叠构成，每个卷积层后进行BN(BatchNormal，批标准化或归一化)和ReLU非线性激活函数处理。所述编码器由5个卷积块、5个池化层组成。5个卷积块分别含有2、2、2、3、3个卷积层堆叠形成，且卷积核大小除第一个卷积块的卷积核分别为7*7和5*5外，其余均为3*3，边缘填充(padding)均采用“same”方式。5个池化层采用步长为2的最大池化，输出包括池化特征图和池化索引。所述强化器采用4层空洞卷积空洞卷积堆叠，并将每层卷积得到的特征图进行顺序连接，得到融合特征图，然后串联一个空洞卷积，对得到的融合特征图与所述编码器输出的特征图进行特征度叠加后，再输出到解码器。所述解码器由5个反卷积块组成。每个反卷积块分别由一个反卷积层、一个特征拼接层(Concat操作)和若干卷积层构成。每个反卷积层的输入包括前层卷积输出和同尺度赤化操作的池化索引。5个反卷积块对应的卷积层数分别为2、2、1、1、2层。每个特征拼接层(Concat层)接收的特征图分别为该反卷积块中反卷积层的输出和编码器中同尺度的特征层的特征输出。所述判别器由Softmax层构成。根据本专利技术所述的基于遥感影像的U型空洞全卷积分割网络识别模型的优选方案，所述强化器先采用5分支结构，第一个分支分别采用空洞值为1、2、4、8的3*3空洞卷积堆叠，得到感受野增加55的特征图；第二个分支分别采用空洞值为1、2、4的3*3空洞卷积堆叠，得到感受野增加24的特征图；第三个分支分别采用空洞值为1、2的3*3空洞卷积堆叠，得到感受野增加9的特征图；第四个分支采用空洞值为1的3*3空洞卷积，得到本文档来自技高网...

【技术保护点】
1.基于遥感影像的U型空洞全卷积分割网络识别模型,包括数据预处理模块、模型训练模块和模型评价模块；其特征在于：/n所述数据预处理模块：用于将遥感影像进行包括几何校正、影像融合、图像增强以及影像切割的一系列数据预处理操作，得到数据集，再将数据集等比抽样，生成训练集、验证集和测试集；/n所述训练集用于训练网络参数，进行模型学习；/n所述验证集用于模型中一些超参数的调优；/n所述测试集用于测试和评价模型性能；/n所述模型训练模块用于通过搭建U型空洞全卷积分割网络模型，并利用所述训练集的数据训练U型空洞全卷积分割网络模型参数，进行模型学习，更新网络权重；并利用所述验证集的数据与识别效果之间的差异来调整U型空洞全卷积分割网络模型中涉及的超参数，并判断U型空洞全卷积分割网络模型收敛程度，以达到深层训练的目的；/n所述模型评价模块用于利用测试集的数据对搭建的U型空洞全卷积分割网络模型进行测试和评价模型性能；/n所述U型空洞全卷积分割网络模型包括编码器、强化器、解码器和判别器；/n所述编码器利用卷积层和池化层堆叠方式构建金字塔特征提取模式，以提取不同尺度、不同语义层的图像特征，输出到强化器；/n所述强化器利用空洞卷积以及卷积堆叠串联两种方式来增加感受野范围；并采用多分支结构提取不同感受野范围、不同尺度信息的图像特征，再进行多尺度特征的融合和筛选，形成多尺度融合特征，输出到解码器；/n所述解码器利用反卷积层和卷积堆叠方式构建金字塔特征解耦模式，融合和解码不同尺度、不同语义层的图像特征，输出到判别器；/n所述判别器用于将图像特征图转化为类别置信度，进而得到最后的分割、识别结果。/n...

【技术特征摘要】
1.基于遥感影像的U型空洞全卷积分割网络识别模型,包括数据预处理模块、模型训练模块和模型评价模块；其特征在于：
所述数据预处理模块：用于将遥感影像进行包括几何校正、影像融合、图像增强以及影像切割的一系列数据预处理操作，得到数据集，再将数据集等比抽样，生成训练集、验证集和测试集；
所述训练集用于训练网络参数，进行模型学习；
所述验证集用于模型中一些超参数的调优；
所述测试集用于测试和评价模型性能；
所述模型训练模块用于通过搭建U型空洞全卷积分割网络模型，并利用所述训练集的数据训练U型空洞全卷积分割网络模型参数，进行模型学习，更新网络权重；并利用所述验证集的数据与识别效果之间的差异来调整U型空洞全卷积分割网络模型中涉及的超参数，并判断U型空洞全卷积分割网络模型收敛程度，以达到深层训练的目的；
所述模型评价模块用于利用测试集的数据对搭建的U型空洞全卷积分割网络模型进行测试和评价模型性能；
所述U型空洞全卷积分割网络模型包括编码器、强化器、解码器和判别器；
所述编码器利用卷积层和池化层堆叠方式构建金字塔特征提取模式，以提取不同尺度、不同语义层的图像特征，输出到强化器；
所述强化器利用空洞卷积以及卷积堆叠串联两种方式来增加感受野范围；并采用多分支结构提取不同感受野范围、不同尺度信息的图像特征，再进行多尺度特征的融合和筛选，形成多尺度融合特征，输出到解码器；
所述解码器利用反卷积层和卷积堆叠方式构建金字塔特征解耦模式，融合和解码不同尺度、不同语义层的图像特征，输出到判别器；
所述判别器用于将图像特征图转化为类别置信度，进而得到最后的分割、识别结果。


2.根据权利要求1所述的基于遥感影像的U型空洞全卷积分割网络识别模型，其特征在于：
所述编码器采用特征金字塔模型，其构架与SegNet模型一致；卷积均补充边缘，用于利用卷积堆叠的方式提取不同层次的语义特征，并入池化操作使提取的特征适应不同尺度信息，同时达到增大感受野和减少计算量的目的；共含有多层金字塔和多次池化操作，并保存各层池化索引，供解码器上采样使用；
所述解码器采用金字塔模型，采用卷积堆叠的方式架构，共含有多层金字塔和多次池化操作；利用反卷积操作恢复与重构尺度信息特征；并且在编码、解码过程中传递信息不只是池化索引，还包括编码金字塔每层的最后一层卷积形成的特征层，补充由于池化操作丢失的浅层高频特征及边界信息；解码器使用相应的编码器池化索引，来进行输入特征图的非线性上采样操作；
所述强化器采用串-并行模型，是一个多分支结构，每个分支使用空洞卷积来构架，每个分支感受野范围不同，利用空洞卷积串联来实现感受野的增大，并且在特征图叠加之前增加了特征图的连接层，使得不同深度的特征图共同泛化图像中地物信息的特征...

【专利技术属性】
技术研发人员：周尚波，齐颖，张子涵，王李闽，朱淑芳，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50