用于图像处理的深度学习模型及遥感影像的地图提取方法技术

本发明专利技术公开了一种用于图像处理的深度学习模型及遥感影像的地图提取方法，包括以下步骤：根据图像采集的数据，生成训练数据集和预测数据集；构建深度学习模型，设定所述深度学习模型的子编码器数量；通过训练数据集对深度学习模型进行训练，获得优化后的深度学习模型；将所述预测数据输入至优化后的深度学习模型，获得预测结果。其可针对多波段多分辨率遥感影像进行地图提取，适用范围广。

【技术实现步骤摘要】
用于图像处理的深度学习模型及遥感影像的地图提取方法
本专利技术涉及自动化遥感地物提取
，具体涉及一种用于图像处理的深度学习模型及遥感影像的地图提取方法。
技术介绍
遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片。目前中分辨率多波段遥感影像中，缺乏高效一致的地物提取算法。针对多波段地物提取，一般都需要事先将不同波段重采样到一致或者采用分辨率一致的波段。
技术实现思路
本专利技术要解决的技术问题是提供一种用于图像处理的深度学习模型及遥感影像的地图提取方法，其为了解决上述技术问题，本专利技术提供了一种用于图像处理的深度学习模型，包括：数据输入单元，所述数据输入单元包括多个数据输入层，每个所述数据输入层用于输入不同分辨率的图像数据；编码单元，所述编码单元包括多个子编码器，所述子编码器与所述数据输入层一一对应设置，所述子编码器对数据输入层的输入数据进行编码；特征融合层，其与编码单元连接以多编码单元的输出数据进行融合，所述特征融合层的输入端分别与多个子编码器连接；本文档来自技高网...

【技术保护点】
1.一种用于图像处理的深度学习模型，其特征在于，包括：/n数据输入单元，所述数据输入单元包括多个数据输入层，每个所述数据输入层用于输入不同分辨率的图像数据；/n编码单元，所述编码单元包括多个子编码器，所述子编码器与所述数据输入层一一对应设置，所述子编码器对数据输入层的输入数据进行编码；/n特征融合层，其与编码单元连接以多编码单元的输出数据进行融合，所述特征融合层的输入端分别与多个子编码器连接；/n解码单元，其与所述特征融合层的输出端连接，所述解码单元对特征融合层的输出数据进行解码操作；/n数据输出单元，所述数据输出单元与所述解码单元连接以实现数据输出。/n

【技术特征摘要】
1.一种用于图像处理的深度学习模型，其特征在于，包括：
数据输入单元，所述数据输入单元包括多个数据输入层，每个所述数据输入层用于输入不同分辨率的图像数据；
编码单元，所述编码单元包括多个子编码器，所述子编码器与所述数据输入层一一对应设置，所述子编码器对数据输入层的输入数据进行编码；
特征融合层，其与编码单元连接以多编码单元的输出数据进行融合，所述特征融合层的输入端分别与多个子编码器连接；
解码单元，其与所述特征融合层的输出端连接，所述解码单元对特征融合层的输出数据进行解码操作；
数据输出单元，所述数据输出单元与所述解码单元连接以实现数据输出。


2.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器的输入维度根据图像数据的分辨率设计，多个所述子编码器的输出维度相同。


3.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述特征融合层将所述编码单元输出的多个特征融合成一个特征矩阵。


4.如权利要求3所述的用于图像处理的深度学习模型，其特征在于，所述特征融合层的融合方法是相加、平均、加权和非线性激活中的一种或多种组合。


5.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器为相同的基础解码器，通过改变所述基础解码器的一层或者多层操作以实现不同分辨率的数据输入转换成相同维度的数据输出。


6.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器...

【专利技术属性】
技术研发人员：李莘莘，白纯钰，沈超，邵华，梁佩佩，吴紫静，陈逸聪，余志远，肖宏宾，张尧，时哲，郑冬，万珊，
申请(专利权)人：行星数据科技苏州有限公司，
类型：发明
国别省市：江苏;32