一种半监督深度图卷积的遥感土地利用语义分割方法技术

本发明专利技术公开了一种半监督深度图卷积的遥感土地利用语义分割方法，包括以下处理过程：数据采集，确定样本的抽样方案及多尺度网络模型；划分监督及非监督学习样本，并设置训练、验证及测试样本；设立多样本多尺度的深层编码‑解码CNN模型，并进行预训练；设立门控循环的图卷积网络，并连接成深度残差网络模型；采用监督样本对进行监督学习；采用监督及非监督样本进行半监督学习；判断精度或训练次数是否达标；若达标，进入模型的尺度转换应用。本发明专利技术提高了图像分割模型在遥感图像土地利用语义分割的效率，且减少分割过程中的噪点，提高遥感土地利用分割的质量。

【技术实现步骤摘要】
一种半监督深度图卷积的遥感土地利用语义分割方法
本专利技术涉及一种语义分割方法，尤其涉及一种半监督深度图卷积的遥感土地利用语义分割方法。
技术介绍
虽然深度学习在计算机视觉、图像处理及医学影像等领域取得了不错的效果，但是应用在遥感图像分类方面还是比较有限的。由于处理的影响数据波段特性差异，即普通光学RGB-D的4波段影像同遥感波谱影像及其特征的较大差别，导致许多深度学习算法及预处理模型不能直接用于处理遥感图像，一些较新的技术在遥感土地利用分割应用有限。因此，充分利用先进的深度学习技术，提高遥感土地利用分割的效果，是当前遥感图像处理领域的前沿技术。遥感图像土地利用分割精度的提高，对提高土地覆盖监控、城市土地规划、交通路线规划及农作物监测等具有重要意义。同传统的方法比较，深度学习在语义分割方面的效率及精度上均取得了突出的进展。例如，全卷积网络(fullyconvolutionalnetwork，简写FCN)取代了传统的“图像-补丁”(image-patch)方法，通过全连接层极大提高了图像语义分割的效率。此外，SegNet通过从编码层复制信本文档来自技高网...

【技术保护点】
1.一种半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：包括以下步骤：/n步骤一、数据采集，确定样本的抽样方案及尺度变化；/n步骤二、划分监督及非监督学习样本，并设置训练、验证及测试样本；/n步骤三、设立多样本多尺度的深层编码-解码CNN模型；/n步骤四、对由步骤三建立的深层编码-解码CNN模型进行预训练；/n步骤五、设立门控循环的图卷积网络，并与深层编码-解码CNN模型连接成深度残差CNN-GCN模型；/n步骤六、采用监督样本对深度残差网络模型进行监督学习；/n步骤七、在步骤六的基础上，采用监督及非监督样本进行半监督学习；/n步骤八、判断精度或训练次数是否达标；若不达标，转到步骤七，...

【技术特征摘要】
1.一种半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：包括以下步骤：
步骤一、数据采集，确定样本的抽样方案及尺度变化；
步骤二、划分监督及非监督学习样本，并设置训练、验证及测试样本；
步骤三、设立多样本多尺度的深层编码-解码CNN模型；
步骤四、对由步骤三建立的深层编码-解码CNN模型进行预训练；
步骤五、设立门控循环的图卷积网络，并与深层编码-解码CNN模型连接成深度残差CNN-GCN模型；
步骤六、采用监督样本对深度残差网络模型进行监督学习；
步骤七、在步骤六的基础上，采用监督及非监督样本进行半监督学习；
步骤八、判断精度或训练次数是否达标；若不达标，转到步骤七，进行半监督的循环学习；若达标，进入下一步；
步骤九、模型的尺度转换应用。


2.根据权利要求1所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：步骤一中，采集的数据为卫星遥感数据，包括常规的RGB三波段或高光谱波段图像；根据卫星遥感数据的分辨率，确定语义分割最终分辨率及需要的尺度变换S个，确定从小到大需要的空间分辨率尺度；对于每个尺度，抽样方案按照bootstrap重采样方式抽取样本集合共B个，最后得到S*B个数据集。


3.根据权利要求2所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：步骤二中，将数据集中的标注样本设置成监督学习样本，非标注样本设置成非监督学习样本；对每个数据集，将其具有的标注样本等分成m份，其中，将等分的m份样本按比例划分成训练样本、验证样本、测试样本。


4.根据权利要求1所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：步骤三中，根据数据的复杂程度，确定深层编码-解码CNN模型的层数及每层的节点数；深层编码-解码CNN模型采用对称结构的编码-解码模型，其中，残差连接采用同等映射方式。


5.根据权利要求1所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：步骤四中，采用每个数据集划分的训练、验证及测试样本进行深层编码-解码CNN模型的预训练，对每个深层编码-解码CNN模型分别进行预训练，采用以下的叉熵损失函数：






式中，LL(θ)为标注样本对应的损失函数，n为样本的个数，k为土地利用要分类的类别数，是第i个样本属于第j类的真实值(0或1)，则是第i个样本属于第j类的概率，i为样本索引，j为类别索引,通过式2的softmax函数得到；
式2则是softmax的计算，其中，代表第i个样本的网络最后层第a类对应节点的输出值，a为类别的节点索引，则表示对取指数；代表第i个样本的网络最后层第j类对应节点的输出值的指数值；k为分类的类别数，Ωθ为参数集θ正则化项，采用弹性网络进行正则化，得到训练结果。


6.根据权利要求1所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：步骤五中，图卷积网络的输入特征包括：原始输入的图像波段，以及多尺度多样本的深层编码-解码CNN模型结果输出节点构成的特征；
当深层编码-解码CNN模型的输出同图卷积网络的尺度不一致时，加入尺度调整层，通过双线性插值修正获得图卷积的目标尺度。


7.根据权利要求6所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：将图卷积网络同深层编码-解码CNN模型连接，得到深度残差网络模型；连接方式分为两种：1)多个输出结果同图卷积网络静态连接，多尺度多样本的输出结果作为图卷积网络的输入，图卷积合成多输出；2)直接将深层编码-解码CNN模型连接到图卷积网络的输入端，图卷积的分割结果继续后向传播传递到深层的CNN层进行参数更新。


8.根据权利要求7所述的半监督深度图卷积的遥感土地利用语义分割方法，其特征在于：为提高学习训练效率，图卷积网络进行残差连接，并通过门控循环单元GRU进行循环推理，实现长短依赖关系的建模，具体过程为：
a)图卷积运算：
令A是展示网络的节点拓扑，A＝{aij}代表节点i及节点j之间是否连接，D为网络的度矩阵，D＝{dij}，得图的拉普拉斯矩阵：
L＝D-A式3
对式3进行特征分解：
L＝UΛUT式4
式中，∧为特征矢量U对应的特征值，T表示矩阵的转置操作，UT表示对矩阵U进行转置；
对图提取得到的特征值进行图傅里叶变换：

【专利技术属性】
技术研发人员：李连发，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：北京;11