基于卷积神经网络与类别热力图的滑坡遥感信息提取方法技术

本申请涉及一种基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，高分辨率遥感影像中滑坡尺度差异巨大，且与其它地物的光谱混淆问题严重。现有基于卷积神经网络(CNN)的滑坡场景解译方法难以精确定位滑坡边界，基于全卷积神经网络(FCN)的像素级滑坡信息提取方法需要人工勾绘大量的样本。本申请针对以上问题，以类别热力图为桥梁，提出一种弱监督滑坡灾害信息提取框架：首先，本申请设计了一种耦合注意力机制与多层次、多尺度特征的分类网络模型学习滑坡和非滑坡场景，进而获取高质量的滑坡场景类别热力图；其次，利用从类别热力图获取的像素级伪标签训练语义分割网络，进而实现遥感影像中高精度的像素级滑坡灾害信息提取。取。取。

【技术实现步骤摘要】
基于卷积神经网络与类别热力图的滑坡遥感信息提取方法


[0001]本专利技术设计了一种灾害信息提取方法，更具体地说是涉及基于卷积神经网络与类别热力图的滑坡遥感信息提取方法。

技术介绍

[0002]我国疆域非常辽阔、地形地貌复杂，滑坡等地质灾害每年给重大工程、经济建设和人民生命安全造成严重威胁，精确的滑坡边界可为滑坡灾后救援和灾情评估服务。因此，灾害发生后，快速、准确地获取滑坡灾害信息能够为灾区开展应急救援、决策指挥以及灾后重建等工作提供技术支持和决策依据。遥感技术以其宏观、快速的优势广泛地应用于滑坡灾害的调查，较以前的人工实地调查，大幅度提升了工作效率。特别地，高分辨率遥感影像能够为解译滑坡提供更加精细的纹理和空间信息，并且获取日益便利，为滑坡灾害识别和精准定位提供了重要的数据支撑和保障。而且解译方法也实现了从应用之初的目视解译到自动解译的跨越。以卷积神经网络(Convolutional neural networks,CNN)模型为代表的深度学习方法，其以原始图像块作为输入，能够从大量的监督样本中自动学习到由底层视觉特征到高层语义特征的层次化特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，其特征在于：包括第一步，数据预处理，对原始影像进行裁剪并设置一定的重叠度，根据得到影像场景内是否包含滑坡区域将其分为滑坡和其它两类；第二步，建立场景分类模型，利用图片级标注样本训练进而用于图片分类，从模型输出的概率值节点出发，通过反向传播方式到达指定卷积层，得到该概率值类别对应的热力图进而用于恢复输入场景中地物的像素级信息。2.根据权利要求1所述的基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，其特征在于：所述第二步还包括设计耦合注意力机制与多层次、多尺度特征的弱监督分类网络来学习场景影像中的滑坡区域和非滑坡区域；基于此，设计一个包含三阶段的框架，通过易标注的场景级样本进行像素级滑坡灾害信息提取；首先，利用获取的滑坡和非滑坡场景训练场景分类网络，进而获取滑坡场景的类别热力图；其次，结合图像底层特征应用全连接条件随机场算法对边缘进行优化获取像素级滑坡分割掩膜；最后，利用获取的像素级伪标签训练语义分割神经网络，以获得精度更高的像素级信息。3.根据权利要求1所述的基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，其特征在于：所述第二步还包括在ResNet50主干网络中4个不同尺度的特征图之后分别嵌入了卷积注意力模块，先后进行通道注意力和空间注意力运算，通道注意力子模块用于计算特征图各通道数据的权重、空间注意力子模块用于计算特征图各空间位置数据的权重，两者串联筛选有用的滑坡特征聚焦滑坡区域。4.根据权利要求1所述的基于卷积神经网...

【专利技术属性】
技术研发人员：慎利，邓旭，鄢薪，徐柱，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：