一种基于多源异构遥感影像的语义分割方法技术

本发明专利技术公开了一种基于多源异构遥感影像的语义分割方法，涉及深度学习技术领域。具体包括：步骤1、对遥感影像数据集中的训练图片进行预处理；步骤2、搭建多级分割头网络，利用所述多级分割头网络完成对训练图片的特征提取以及分割预测，得到具有多级标签的分割结果；步骤3、对步骤2中搭建的多级分割头网络进行多级标签的监督训练，得到语义分割模型；步骤4、对待分割遥感影像进行分割；步骤5、通过融合多级分割头的预测结果得到最终分割结果。本发明专利技术的优点在于对于给定的遥感影像进行像素级的分类，从而精确给出语义分割的结果。从而精确给出语义分割的结果。从而精确给出语义分割的结果。

【技术实现步骤摘要】
一种基于多源异构遥感影像的语义分割方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于多源异构遥感影像的语义分割方法。

技术介绍

[0002]基于遥感影像的地物要素分类是将地表相对固定的物体分类的系统体系，是地表地物要素观测与测绘的重要手段之一。它有着非常广泛的应用，例如：耕地红线预测、生态红线预测等。但是，因为受到同物异谱和同谱异物等现象的影响，遥感影像分析与处理的难度极大，目前主要采用人工方式提取地物要素，效率低，耗资巨大，迫切需要自动化、高精度的地物要素提取方法。
[0003]目前，卷积神经网络的迅速发展使得语义分割取得巨大进展。但是地物要素分类需要对给定的遥感影像进行精细化的像素级别的分类。总的来说，它有以下几个技术难点：1)遥感影像数据集的标签往往是多级的，如何用好这种类型的标签是一个重要的问题；2)遥感影像图片通常具有极高的分辨率，例如5000
×
5000像素，比常规的语义分割数据大很多；3)受到“同物异谱”、“同谱异物”等现象的影响，不同的遥感影像数据集的域(Domain)差别很大，这会使得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源异构遥感影像的语义分割方法，其特征在于，包括如下步骤：步骤1、对遥感影像数据集中的训练图片进行预处理；步骤2、搭建多级分割头网络，利用所述多级分割头网络对训练图片进行特征提取以及分割预测，得到具有多级标签的分割结果；步骤3、对所述多级分割头网络进行多级标签的监督训练，得到语义分割模型；步骤4、通过语义分割模型对待分割遥感影像进行分割；步骤5、通过融合多级分割头的预测结果得到最终分割结果。2.根据权利要求1所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤1中的遥感影像数据集为多源异构数据集，包含N张训练图片，每张训练图片中至少有一种特定类型的语义区域，并且有一个描述该训练图片中所有语义区域的类别的标签。3.根据权利要求1所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤1中的预处理包括对遥感影像数据集中的训练图片进行数据增强：首先将训练图片按照0.7
‑
1.3的比例随机放缩；然后将训练图片随机水平翻转和随机垂直翻转；最后从训练图片上随机裁剪出大小为256
×
256像素的样例，作为最终训练图片。4.根据权利要求2所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤2中，多级分割头网络包括骨干网络模块和多级分割头模块。5.根据权利要求4所述基于多源异构遥感影像的语义分割方法，其特征在于，步骤2包括以下步骤：步骤2
‑
1、建立一个OFA骨干网络模块，对步骤1得到的最终训练图片进行特征提取，得到特征图(C1,C2,C3,C4)；C1,C2,C3,C4分别代表OFA骨干网络模块中不同阶段的卷积层产生的特征图；步骤2
‑
2、建立一个多级分割头模块，包括两个具有不同类别数量的DeepLabV3+分割头，分别对应地物分类体系的一级类别和二级类别，则有一级类别分割头和二级类别分割头；将OFA骨干网络输出的特征图输入到多级分割头模块中，生成对应一级类别的分割结果R
A
和二级类别的分割结果R
B
。6.根据权利要求5所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤3包括以下步骤：步骤3
‑
1、设置多级分割头网络的训练损失函数L为：L＝0.5
×
L
A
+0.5
×
L
B
其中L
A
和L
B
分别为一级类别分割头和二...

【专利技术属性】
技术研发人员：路通，陈喆，杨嘉文，王文海，
申请(专利权)人：南京大学，
类型：发明
国别省市：