一种基于MSDU-Net的海岸线检测算法制造技术

本发明专利技术属于深度学习技术领域，具体涉及一种基于MSDU

【技术实现步骤摘要】
一种基于MSDU
‑
Net的海岸线检测算法


[0001]本专利技术属于深度学习
，具体涉及一种基于MSDU
‑
Net的海岸线检测算法。

技术介绍

[0002]与许多其他陆地不同的是，南极洲的海岸线被动态冰川和冰架前缘所包围，通过冰山的崩解不断改变海岸线的位置，这既受季节变化的影响，也受全球气候变化的影响。追踪冰川和冰架前缘的前进和后退是更好地了解冰川过程的重要因素。此外，监测崩解前缘的后退是必要的，因为崩解前缘由于支撑力减弱而增强了南极冰盖对海平面的贡献。
[0003]现有技术存在的问题或者缺陷：近年来，基于深度学习的海岸线检测算法开始超越传统的统计方法。然而，它们通常被训练成单一用途的模型，用于分割陆地和水域或勾画海岸线，导致其难以区分开阔的海洋和更高的冰原。

技术实现思路

[0004]本方案提出在传感器的超宽探测模式下进行拍摄，将拍摄获得的南极洲海岸线的Sentinel
‑
1GRD进行场景裁剪，构建形成原始数据集中的图像。完成数据构建后，对数据进行预处理，预处理包括归一化、数据划分等。将预处理后的数据输入搭建好的MSDU
‑
Net网络进行网络模型的训练，待到模型损失函数不再下降，保存模型，完成模型构建。
[0005]本申请公开的一种基于MSDU
‑
Net的海岸线检测算法，包括如下步骤：
[0006]S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建。
[0007]S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果。
[0008]S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建。
[0009]S4、模型保存：当模型的损失函数不再降低之后，保存模型。
[0010]进一步的，S2、数据预处理中，数据扩充：为了提高泛化性能，对训练集进行了4倍的数据增强，扩充方法为通过水平镜像或垂直镜像，以及旋转90、180度得到，将扩充后获得的扩充图像与原始图像进行合并，形成新的扩充图像数据集。
[0011]进一步的，S2、数据预处理中，数据划分：使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集。
[0012]进一步的，S2、数据预处理中，图像缩放：由于获取的数据集中图像大小不同，为保证模型的分割性能，统一将其大小调整为(768
×
768)。
[0013]进一步的，S3、识别模型中，包括模型构建：构建一种基于MSDU
‑
Net改进的检测模型用于海岸线的检测，所述检测模型由一组提取器和一个U
‑
Net组成，所述检测模型具体运行步骤为：
[0014]第一步，使用一组提取器从图像中获取多尺度纹理特征信息，其中提取器为多尺度纹理特征提取器，将原图像送入空洞卷积层进行特征提取，该层在不同提取器中的空洞率分别为1、2、2、2，卷积核大小都是3
×
3。将生成后的特征图输入到正常卷积层，之后利用ReLU函数进行特征激活，然后，分别利用步长为1、2、4、8的最大池化层来缩小特征图的大小，使输出的特征图与Unet的输入特征图大小相同，
[0015]第二步，将提取的特征映射插入到U
‑
Net网络的每个收缩步骤中，并将提取的特征映射与收缩的特征映射集成在一起，该U
‑
Net网络中收缩路径接收纹理提取器的输出，通过拼接、卷积、池化等方法将纹理提取器的输出进行整合，从而减小特征矩阵的长度和宽度，增加通道维数，扩展路径使用转置卷积来恢复特征矩阵的分辨率，并通过跳跃连接将它们与收缩路径中具有相同大小的特征矩阵进行特征融合，通过U
‑
Net网络中的跳跃层连接上采样部分的两条路径的特征通道，使得网络将特征信息传递到包含局部纹理信息的更高分辨率层。第三步，使用soft
‑
max层将特征矩阵映射生成检测结果图。
[0016]进一步的，S4模型保存具体为：当模型的损失函数不再降低之后，保存模型，通过使用一种自适应平衡的二进制交叉熵损失函数进行损失值的计算过程，其公式如下:
[0017][0018]其中Y
+
和Y
‑
分别为正标签和负标签；为预测标签。
[0019]本专利技术与现有技术相比，具有的有益效果是：
[0020]本方案提出的MSDU
‑
Net模型，利用一组扩展卷积的多尺度特征提取器，同时提取不同尺度的文本信息，同时在U
‑
Net结构中融合不同尺度的纹理特征和生成的语义特征来支持海岸线检测任务，利用提取器与U
‑
Net网络相结合，实现浅层纹理信息与深层语义信息的融合。
附图说明
[0021]图1为本专利技术的神经网络架构图；
[0022]图2为本专利技术的逻辑执行框图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]本申请公开的一种基于MSDU
‑
Net的海岸线检测算法，包括如下步骤：
[0025]S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建。在传感器的超宽探测模式下进行拍摄，将拍摄获得的南极洲海岸线的Sentinel
‑
1GRD进行场景裁剪，构建形成原始数据集中的图像。该数据集中的图像分辨率为40m，具有HH和HV通道的双极化。裁剪后的场景平均尺寸为7870
×
6572像素(315km
×
263km)，总面积约为73万平方公里。所有的图像都经过南极极地立体投影(EPSG:3031)处理
并转换成分贝。并获取的裁剪图像中，由专家手工标注海岸线，以提供真实的海陆分割和海岸线轮廓的标注图像。
[0026]S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果。
[0027]S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建。
[0028]S4、模型保存：当模型的损失函数不再降低之后，保存模型。
[0029]进一步的，S2、数据预处理中，数据扩充：为了提高泛化性能，我们对训练集进行了4倍的数据增强。这种增强技术将单个图像进行处理构建形成4张不同的图像，扩充方法可以通过水平镜像或垂直镜像，以及旋转90、180度得到，将扩充后获得的扩充图像与原始图像进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MSDU
‑
Net的海岸线检测算法，其特征在于：包括如下步骤：S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建；S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果；S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建；S4、模型保存：当模型的损失函数不再降低之后，保存模型。2.根据权利要求1所述的一种基于MSDU
‑
Net的海岸线检测算法，其特征在于，S2、数据预处理中，数据扩充：为了提高泛化性能，对训练集进行了4倍的数据增强，扩充方法为通过水平镜像或垂直镜像，以及旋转90、180度得到，将扩充后获得的扩充图像与原始图像进行合并，形成新的扩充图像数据集。3.根据权利要求2所述的一种基于MSDU
‑
Net的海岸线检测算法，其特征在于，S2、数据预处理中，数据划分：使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集。4.根据权利要求3所述的一种基于MSDU
‑
Net的海岸线检测算法，其特征在于，S2、数据预处理中，图像缩放：由于获取的数据集中图像大小不同，为保证模型的分割性能，统一将其大小调整为(768
×
768)。5.根据权利要求1所述的一种基于MSDU
‑
Net的海岸线检测算法，其特征在于，S3、识别模型中，包括模型构建：构建一种基于MSDU
‑
Net改进的检测模型用于海岸线的检测，所述检测模型由一组提取...

【专利技术属性】
技术研发人员：潘晓光，王小华，韩锋，张雅娜，张娜，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：