一种基于多尺度残差卷积神经网络的道路提取方法技术

本发明专利技术公开了一种基于多尺度残差卷积神经网络的道路提取方法，包括：输入带标签的遥感影像训练数据集；利用改进神经网络对带标签的道路数据集进行卷积训练；网络训练。本发明专利技术的基于多尺度残差卷积神经网络的道路提取方法主要通过利用多尺度卷积替代单一尺度卷积扩宽网络宽度，提升网络获取影像初级特征的能力，丰富不同阶段的影像分层特征，达到缓解特征层分辨率降低的目的；凭借残差连接的“捷径”功能，避免反向传播阶段的梯度过度更新，提升网络训练效率；为了降低多尺度卷积导致的训练参数激增的影响，使用全局均值池化精简网络参数数量。数数量。数数量。

【技术实现步骤摘要】
一种基于多尺度残差卷积神经网络的道路提取方法


[0001]本专利技术属于遥感影像信息提取的
，尤其涉及一种基于多尺度残差卷积神经网络的道路提取方法。

技术介绍

[0002]道路信息是重要的地理信息，在应急管理、交通管理、自动车辆导航和城市规划等领域有着广泛的应用。遥感影像不仅具有宏观性、多源性、真实性、实时性、海量性等一系列优点，而且能够以较高的空间分辨率对目标地物进行精细化解译，其提取的目标信息具有严格的地理坐标，可为不同行业用户提供了统一的表达模式，故遥感影像已成为实际应用中道路信息采集的主要数据源。因而基于遥感影像的道路提取研究受到广泛的关注。但受到场景变化、成像机理等复杂问题的影响，从遥感影像中准确提取道路信息难度很大。
[0003]虽然传统方法研究已经开展了很多年的研究，但由于场景的变化以及成像机理的差异，自动提取道路迄今仍然停留在理论研究和验证阶段，尚未出现具有良好普适性和实用性的算法及系统。相对而言，深度学习方法本身所独有的特性(如：泛化性高、非线性拟合能力强和稳定性高等)，使其可以有效的规避传统方法的不足。但如何优化网络结构，仍然是限制网络性能的桎梏。但道路提取结果中仍然存在大量漏提取和错误提取区域，并且大量的使用全连接层也会导致网络训练效率降低。

技术实现思路

[0004]基于以上现有技术的不足，本专利技术所解决的技术问题在于提供一种基于多尺度残差卷积神经网络的道路提取方法，通过利用多尺度卷积替代单一尺度卷积扩宽网络宽度，提升网络获取影像初级特征的能力，丰富不同阶段的影像分层特征，达到缓解特征层分辨率降低的目的。
[0005]为了解决上述技术问题，本专利技术提供一种基于多尺度残差卷积神经网络的道路提取方法，包括以下步骤：
[0006]步骤1：输入带标签的遥感影像训练数据集；
[0007]步骤2：利用改进神经网络对带标签的道路数据集进行卷积训练；
[0008]步骤2.1：对于给定的输入训练样本，采用多尺度卷积；
[0009]步骤2.2：由步骤2.1得到的多尺度分层特征进行残差连接，得到新的特征层；
[0010]步骤2.3：对步骤2.2得到的特征层进行全局均值池化：
[0011]步骤3：网络训练；
[0012]步骤3.1：数据扩充；
[0013]步骤3.2：参数设置，采用Adam优化算法，交叉熵损失函数和Sigmoid激活函数训练网络。本专利技术设置迭代次数为20次，设置学习率为0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，其他参数选择函数默认值。
[0014]可选的，所述步骤2.1包括：
[0015]步骤2.1.1：初始化模型参数：
[0016]θ
s
＝θ0,s∈{1,2,
…
N}
[0017]其中，θ
s
为网络模型内部初始参数，θ0为模型的初始化参数；
[0018]步骤2.1.2：对原始影像进行多尺度卷积学习，得到多尺度分层特征；在S种尺度中，对于由L个阶段组成的多尺度卷积神经网络f
S
，其公式如下：
[0019]f
s
(X
s
,θ
s
)＝Pool(Relu(BN(W
L
×
H
L
+b
L
)))
[0020]其中，Pool为最大池化函数；Relu表示激活函数；BN函数为Batch Normalsize；W
L
表示第L个阶段的权值矩阵，H
L
‑
1为第L
‑
1个阶段的输出，且H0＝X
S
；b
L
为卷积核中的偏置参数；由W
l
和b
l
共同完成对网络模型中训练参数s的更新，各隐藏阶段l之间的计算输出表示为：
[0021]H＝Relu(BN(W*H+b)),l∈{1,2,
…
，L
‑
1}
[0022]步骤2.1.3：将S种卷积神经网络的输出特征图融合在一起，生成3维特征矩阵F。
[0023]可选的，所述步骤2.3包括：
[0024]步骤2.3.1：将步骤2.2中得到的特征图以一维特征点的形式输出；
[0025]步骤2.3.2：将步骤2.3.1得到的特征点作为全连接层的输入数据，对特征信息进行重新拟合，并利用分类函数对像素进行分类，得到道路提取结果。
[0026]进一步的，所述步骤3.1包括：
[0027]步骤3.1.1：通过随机多角度旋转(90，180，270)和镜像映射(水平镜像和垂直镜像)扩充数据；
[0028]步骤3.1.2：将扩充边界后的影像(1536
×
1536)按照96
×
96的尺寸裁剪；
[0029]步骤3.1.3：根据训练样本中二值图计算正负样本所占比例，对正负样本比失调的训练集，应用过采样方法将步幅设置为2个像素检测是否为道路区域，均衡正负样本比例，经数据集扩充之后，训练数据量至少在6倍以上。
[0030]由上，本专利技术的基于多尺度残差卷积神经网络的道路提取方法具有如下有益效果：
[0031]1、提出了一种多尺度卷积的方法，主要通过利用多尺度卷积替代单一尺度卷积扩宽网络宽度，提升网络获取影像初级特征的能力，丰富不同阶段的影像分层特征，达到缓解特征层分辨率降低的目的。
[0032]2、使用了残差连接的方法，凭借残差连接的“捷径”功能，避免反向传播阶段的梯度过度更新，提升网络训练效率。
[0033]3、使用了全局均值化的方法，为了降低多尺度卷积导致的训练参数激增的影响，使用全局均值池化精简网络参数数量。
[0034]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0035]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0036]图1为本专利技术的多尺度残差卷积神经网络(Multiscale residual convolution neural network，MRCNN)流程图；
[0037]图2为本专利技术的多尺度卷积学习流程图；
[0038]图3为本专利技术的多尺度卷积图成果，其中，(a)为采用3
×
3单一尺寸卷积核的影像实验结果示意图，(b)为利用三种卷积核的实验结果示意图；
[0039]图4为本专利技术的残差连接流程图；
[0040]图5为本专利技术的全局均值池化输出特征点和道路提取示意图；
[0041]图6为本专利技术的实验1的结果对比图，其中，(a)为过拟合实验结果示意图，(b)为加入残本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度残差卷积神经网络的道路提取方法，其特征在于，包括以下步骤：步骤1：输入带标签的遥感影像训练数据集；步骤2：利用改进神经网络对带标签的道路数据集进行卷积训练；步骤2.1：对于给定的输入训练样本，采用多尺度卷积；步骤2.2：由步骤2.1得到的多尺度分层特征进行残差连接，得到新的特征层；步骤2.3：对步骤2.2得到的特征层进行全局均值池化：步骤3：网络训练；步骤3.1：数据扩充；步骤3.2：参数设置，采用Adam优化算法，交叉熵损失函数和Sigmoid激活函数训练网络。2.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法，其特征在于，所述步骤2.1包括：步骤2.1.1：初始化模型参数：θ
s
＝θ0,s∈{1,2,
…
N}其中，θ
s
为网络模型内部初始参数，θ0为模型的初始化参数；步骤2.1.2：对原始影像进行多尺度卷积学习，得到多尺度分层特征；在S种尺度中，对于由L个阶段组成的多尺度卷积神经网络f
S
，其公式如下：f
s
(X
s
,θ
s
)＝Pool(Relu(BN(W
L
×
H
L
+b
L
)))其中，Pool为最大池化函数；Relu表示激活函数；BN函数为Batch Normalsize；W
L
表示第L个阶段的权值矩阵，H
...

【专利技术属性】
技术研发人员：李宛潼，杜阳，戴激光，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：