一种基于卷积神经网络的遥感图像分割算法制造技术

本发明专利技术涉及一种基于卷积神经网络的遥感图像分割算法，包括采用ResNet34预训练权重参数为网络层的深度保证，以解决在网络层加深时，出现的梯度消失情况；采用金字塔池化模块，以实现聚合图像中不同区域的上下文信息，以提高获取全局信息的能力；设计损失函数采用交叉熵损失函数与正则化约束结合的方法，交叉熵在多分类问题中用于判定实际输出与期望输出的接近程度；正则项可以降低模型的复杂度，从而防止过拟合，提高模型的泛化能力。本发明专利技术将设计的复合卷积神经网络算法应用于遥感图像的语义分割中，大大提高了遥感图像中的信息识别的速度以及有效信息的捕捉率，这对于遥感图像信息分析有很重要的意义。

【技术实现步骤摘要】
一种基于卷积神经网络的遥感图像分割算法
本专利技术提出一种卫星遥感图像的语义分割算法，利用卷积神经网络在图像分割中的优良特性，将其应用于卫星遥感图像的语义分割领域，实现对遥感图像的像素级分割，分割结果可应用于卫星地图构建、军事目标侦查等领域。
技术介绍
遥感图像是指通过无人机或者遥感卫星及其他飞行器在宇宙中对地球进行航拍的地球图像。因为通过航拍得到的地球图像为鸟瞰视角，利于清晰观察地表信息，其具有客观性与宏观性，对地表特征的研究具有很大价值。当前在地球轨道工作的遥感卫星有很多，加之许多种飞行器拍摄得到的航拍图，所以每天会生成许多遥感图像。传统的遥感图像识别基本依靠人工分析，对于包含很多复杂信息的遥感图像来说，人工分析的速度太慢，对于遥感图像中的信息处理显得捉襟见肘。近年来，计算机处理速度的发展大大促进了深层神经网络技术的发展，以深度学习为代表的人工智能技术，在计算机视觉领域，如图像分割、人脸识别、物体检测、自动驾驶等领域取得了很多突破性进展。
技术实现思路
针对现有技术的上述不足，本专利技术设计实现了一种基于本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的遥感图像分割算法，其特征在于，包括以下步骤：/n采集样本图像并制作标签；/n建立卷积神经网络，包括ResNet34网络结构、多尺度池化网络结构；/n用若干个样本图像及标签输入卷积神经网络，不断训练卷积神经网络的权重参数，直到卷积神经网络的损失函数的值满足预设误差阈值的要求，得到训练模型；/n用训练模型处理实际采集的现场图像，自动获取图像的语义分割结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的遥感图像分割算法，其特征在于，包括以下步骤：
采集样本图像并制作标签；
建立卷积神经网络，包括ResNet34网络结构、多尺度池化网络结构；
用若干个样本图像及标签输入卷积神经网络，不断训练卷积神经网络的权重参数，直到卷积神经网络的损失函数的值满足预设误差阈值的要求，得到训练模型；
用训练模型处理实际采集的现场图像，自动获取图像的语义分割结果。


2.按照权利要求1所述一种基于卷积神经网络的遥感图像分割算法，其特征在于，所述标签指代每个像素点的类别，同一类别物体的像素点采用相同标签。


3.按照权利要求1所述一种基于卷积神经网络的遥感图像分割算法，其特征在于，所述ResNet34网络结构包括多层卷积层、及一个全连接层。


4.按照权利要求1所述一种基于卷积神经网络的遥感图像分割算法，其特征在于，所述多尺度池化网络结构包括池化层、卷积层、上采样层、拼接层。


5.按照权利要求1所述一种基于卷积神经网络的遥感图像分割算法，其特征在于，所述用若干样本图像及标签输入卷积神经网络，包括：
将样本图像输入...

【专利技术属性】
技术研发人员：王恩德，李学鹏，齐凯，候绪奎，彭良玉，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21