一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法技术

本发明专利技术公开了一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，包括数据准备、网络结构及参数设置、综合误差计算、网络训练与验证、网络效果评价以及滑坡及承灾体预测等步骤。这一方法能够及时准确地识别受灾区域内的滑坡及其承灾体，进而快速获取灾害等级、受灾范围等信息，并能够以此为依据进行灾情评估，指导灾后应急救援工作。指导灾后应急救援工作。指导灾后应急救援工作。

【技术实现步骤摘要】
一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法


[0001]本专利技术属于地理信息系统
，涉及一种针对滑坡灾害及其承灾体的快速准确识别的方法，具体涉及一种基于语义门及双时态长短期循环网络(SG
‑
BiTLSTM网络)的滑坡承灾体自动识别方法。

技术介绍

[0002]基于语义门及双时态长短期循环网络由一个U
‑
Net网络与两个相互耦合的长短期记忆网络(Long－Short Term Memory，LSTM)网络组成，其中U
‑
Net是语义分割网络的一种，用于输出影像特征及语义分割图；两个LSTM网络用于输出描述各遥感对象之间空间关系的语句。
[0003]U
‑
Net呈U形结构，由压缩路径与扩张路径组成，在压缩路径中，通过卷积操作使得输入的特征图的尺寸逐渐缩小，由此提升对各类遥感对象的分类精度；而在扩展过程中，通过反卷积操作使得特征图的尺寸逐步还原。然而，卷积操作是丢弃了各遥感对象之间大量的空间信息，这些信息虽然能够在反卷积是进行还原，但由于反卷积的基础信息比较少，因而仅靠反卷积还原的特征仍然不足以对对象进行准确定位。为了进一步提升对象的定位精度，U
‑
Net网络中采用了跃层链接的方式，即将压缩过程中每一层中进行卷积操作前的特征图与对应反卷积层中的特征图进行直接拼接，由此获取对象之间更加丰富的空间信息，从而有利于对象的定位。
[0004]综上所述，U
‑
Net网络一方面利用卷积操作实现了对各类遥感对象的准确分类；另一方面利用跃层连接实现了对象的准确定位。
[0005]长短期记忆网络LSTM是循环神经网络的一种，其与U
‑
Net均属于深度学习的范畴。LSTM具有重复神经网络模块的链式结构，适合处理和预测时间序列中间隔和延迟较长的事件。LSTM特有的记忆与遗忘模式使其能够有效适应网络学习过程中的时序特性，并充分利用历史信息建立时间依赖关系。与传统的RNN相比，LSTM能够有效地保存历史信息，因而能够获得更加广泛的应用。
[0006]LSTM网络的基本结构由输入层、隐含层及输出层构成，与传统的RNN相比，LSTM的隐含层不再是普通的神经元，而是具有单独记忆模式的记忆单元。

技术实现思路

[0007]为了实现对滑坡及其承灾体的自动识别，本专利技术提供了一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法。
[0008]本专利技术采用的技术方案是：一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，其特征在于，包括以下步骤：
[0009]步骤1：对整幅遥感影像进行切割及样本的制作；
[0010]根据原始遥感影像制作对应的Ground Truth，其中不同颜色对应原始影像中不同类别的遥感对象，包含滑坡、农业、绿地及建筑四类遥感对象；并对遥感对象进行切割成预
定大小的若干样本；
[0011]步骤2：构建基于语义门的双时态长短期循环网络，并设置参数；
[0012]基于语义门的双时态长短期循环网络由一个语义分割网络U
‑
Net网络和两个相互耦合的长短期记忆网络LSTM网络构成；其中U
‑
Net网络用于输出影像特征及语义分割图，两个LSTM网络用于输出描述各遥感对象之间空间关系的语句；
[0013]所述基于语义门的双时态长短期循环网络由Language LSTM与Prediction LSTM构成；
[0014]设计语义门机制；
[0015]语义门机制采用多层感知机结构，将由Prediction LSTM在t
‑
1时刻预测的t时刻的隐含层信息h
t2
作为t时刻的输入；该结构分别使用sigmoid和自定义激活函数进行激活；
[0016]设置基于语义门的双时态长短期循环网络综合误差函数；
[0017]所述基于语义门的双时态长短期循环网络的误差分为三个部分，分别是Language LSTM网络当前时刻的误差Loss 1、Prediction LSTM网络在前一时刻所预测的当前时刻的误差Loss 2以及对象掩膜与关注区矩阵之间的交叉熵Loss 3；Loss 1和Loss 2能使Language LSTM网络在生成当前时刻单词时综合考虑Language LSTM与Prediction LSTM网络的输出；Loss 3用于提升遥感对象的定位精度；通过Loss1和2综合两个时态的信息，Loss3校正定位，从而提升模型的定位精度以及自主决定关注遥感影像信息或是上下文信息的能力；
[0018]步骤3：对基于语义门的双时态长短期循环网络进行训练；
[0019]首先对语义分割网络U
‑
Net网络进行预训练，然后与两个相互耦合的长短期记忆网络LSTM网络进行综合训练，训练过程中的输入为U
‑
Net网络输出的语义分割图，输出为描述各遥感对象之间空间关系的语句；获得训练好的基于语义门的双时态长短期循环网络；
[0020]步骤4：滑坡灾害承灾体预测；
[0021]将切割获得的样本进行逐行扫描和拼接，然后将样本输入训练好的基于语义门的双时态长短期循环网络中对滑坡及其承灾体进行预测。
[0022]相对于现有技术，本专利技术的有益效果是：所述基于语义门的双时态长短期循环网络能够在一定程度上解决预测阶段的误差积累问题，同时通过将双时态LSTM的聚焦矩阵与U
‑
Net输出的语义分割图相结合，利用空间关系实现对承灾体的自动识别。与传统的利用GIS空间分析技术识别滑坡承灾体的方法相比，本专利技术所述方法具有人工干预环节更少，灾害感知效率更高的特点，有利于灾后应急救援工作的快速开展。而语义门机制能够实现根据前一时刻的预测结果控制模型动态、自适应地选择依赖影像信息或是上下文语义信息，从而大大提升了对象及其空间关系的识别精度。
附图说明
[0023]图1为本专利技术实施例的流程图；
[0024]图2为本专利技术实施例的实验区域内的滑坡影像样本；
[0025]图3为本专利技术实施例的基于语义门的双时态长短期循环网络模型的结构图；
[0026]图4为本专利技术实施例的双时态LSTM网络的结构图；
[0027]图5为本专利技术实施例的基于语义门及双时态长短期循环网络的滑坡及承灾体识别
的效果图。
具体实施方式
[0028]为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0029]请见图1，本专利技术提供的一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，包括以下步骤：
[0030]步骤1：对整幅遥感影像进行切割及样本的制作；
[0031]本实施例根据原始遥感影像制作对应的Ground Truth，其中不同颜色对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，其特征在于，包括以下步骤：步骤1：对整幅遥感影像进行切割及样本的制作；根据原始遥感影像制作对应的Ground Truth，其中不同颜色对应原始影像中不同类别的遥感对象，包含滑坡、农业、绿地及建筑四类遥感对象；并对遥感对象进行切割成预定大小的若干样本；步骤2：构建基于语义门的双时态长短期循环网络，并设置参数；基于语义门的双时态长短期循环网络由一个语义分割网络U
‑
Net网络和两个相互耦合的长短期记忆网络LSTM网络构成；其中U
‑
Net网络用于输出影像特征及语义分割图，两个LSTM网络用于输出描述各遥感对象之间空间关系的语句；所述基于语义门的双时态长短期循环网络由Language LSTM与Prediction LSTM构成；设计语义门机制；语义门机制采用多层感知机结构，将由Prediction LSTM在t
‑
1时刻预测的t时刻的隐含层信息h
t2
作为t时刻的输入；该结构分别使用sigmoid和自定义激活函数进行激活；设置基于语义门的双时态长短期循环网络综合误差函数；所述基于语义门的双时态长短期循环网络的误差分为三个部分，分别是Language LSTM网络当前时刻的误差Loss 1、Prediction LSTM网络在前一时刻所预测的...

【专利技术属性】
技术研发人员：崔文琦，陈新武，崔巍，陈先锋，陈忠伟，陆榕，刘博宇，马苗苗，胡倩，
申请(专利权)人：湖北经济学院，
类型：发明
国别省市：