一种基于层次化密集架构搜索的遥感灾害场景制图方法技术

本发明专利技术涉及一种基于层次化密集架构搜索的遥感灾害场景制图方法，用于复杂多灾害场景的地表覆盖制图与损毁评估，辅助灾害应急相应与决策。设计高效层次化密集架构搜索框架，搜索阶段结合现有各类深度编码器，自适应优化多尺度密集解码器架构参数，以满足当前场景各类受灾地物特征高效融合，通过广度优先解码最优解码架构；训练阶段通过迁移深度编码器模型参数，联合搜索得到的解码结构，实现高效模型训练。本发明专利技术能够解决复杂灾害场景网络架构设计难度高，时间成本昂贵等问题，无须人工设计深度解译架构，面对各类灾害或其他复杂场景均能实现数据到解译结果的高效全自动化。实现数据到解译结果的高效全自动化。实现数据到解译结果的高效全自动化。

【技术实现步骤摘要】
一种基于层次化密集架构搜索的遥感灾害场景制图方法


[0001]本专利技术属于高分辨率遥感影像识别领域，特别涉及一种基于层次化密集架构搜索的遥感灾害场景制图方法。

技术介绍

[0002]高空间分辨率遥感影像提供了丰富的地表细节，使我们能够更清晰地观察地球环境。为了快速准确地获得感兴趣地物制图结果，过去几十年来大量研究提出了各种方法。传统方法侧重于手工特征和分类器的设计。然而，这些方法依赖于人类的专业知识，在面对海量数据和复杂的灾害场景时表现出制图精度低、迁移能力弱的问题。因此，先进的数据驱动算法被广泛研究，以各类深度全卷积神经网络及其变体为代表，被应用于各类遥感影像语义分割制图任务。虽然深度学习网络可以通过端到端监督自动提取和分类特征，但网络的设计仍然是手工的。深度学习网络的复杂设计过程需要大量跨学科知识，如计算机视觉和遥感解译。此外，由于大量的遥感数据和模型参数，手工设计的网络架构调整与验证周期往往很长，无法满足灾害场景下快速制图需求。
[0003]神经网络架构搜索能够以数据驱动的方式自动设计网络架构，降低对专业知识的要求。通过使用可学习参数对架构进行编码，神经网络架构搜索利用特定策略(梯度下降、强化学习、演化计算等)来优化参数。然而，现有的架构搜索方法在灾害场景制图任务中存在以下问题：1)它们专注于搜索编码器架构，搜索空间随着层数的加深呈指数增长。巨大的计算开销伴随着昂贵的时间成本。因此，只能搜索浅层网络，或者通过重复堆叠基本搜索单元来加深网络。这限制了模型的性能，无法适用于灾后地物分布复杂的情况。2)其对解码器的忽视导致空间细节恢复较弱，难以准确召回出灾害场景中地物细节与弱小目标。

技术实现思路

[0004]为了解决这些问题，我们提出了一种基于层次化密集架构搜索的遥感灾害场景制图方法，将重点转移到自适应解码器的搜索上。通过利用和固定现有的深度编码器结构，提高了搜索效率和模型的泛化性。该方法旨在自动设计解码器，以适应于现有编码器，同时生成一组遥感预训练权重。该方法能够提升网络搜索效率、保证网络深度与鲁棒性并增强解码器对地物细节解译能力。无须人工设计深度解译架构，面对各类灾害或其他复杂场景均能实现数据到解译结果的高效全自动化，及时响应应急需求。
[0005]本专利技术的目的在于提出一种基于层次化密集架构搜索的遥感灾害场景制图方法。在目前发展成熟的深度编码架构背景下，聚焦于解码架构搜索。为了高效地自动搜索遥感网络，我们设计了一个级联过程，包括层次化密集架构搜索和基于编码器权重迁移的模型训练。通过固定编码器架构，基于大规模遥感数据集的分层密集搜索可以在一天内完成。该框架与不同类型的编码器兼容，具有高度的可扩展性和通用性。在搜索到最优架构后，基于编码器权重迁移的模型训练利用搜索阶段的编码器权重进行初始化，在下游灾害场景制图任务进行重新训练，从而实现特定制图任务的迁移。
[0006]本专利技术提供一种基于层次化密集架构搜索的遥感灾害场景制图方法，实现步骤如下：
[0007]步骤1，构建特定灾害场景地表覆盖分类影像样本库，收集洪水、飓风等灾害受击后的高分辨率遥感影像，按比例划分训练集、验证集与测试集，并对数据进行归一化，对训练集进行数据增强。
[0008]步骤2，构建层次化密集搜索空间用于解码架构搜索，层次化密集搜索空间包含密集连接的层级搜索空间与多尺度算子集搜索空间；通过结合现有深度编码模型，在训练集上实现解码架构可微分搜索，并利用多尺度融模块对解码架构输出的多尺度特征进行融合，获取最终制图概率输出。
[0009]步骤3，基于编码器权重迁移的模型训练，通过步骤2中搜索到的解码器架构参数，利用广度优先算法解码最优解码架构，结合编码器模型权重，在特定灾害任务上实现模型重训练。
[0010]步骤4，基于训练后的编码
‑
解码模型，对未标记大范围灾害场景进行地表覆盖制图与损毁评估，预测分类概率获取制图结果。
[0011]进一步的，步骤1的具体实现包括如下子步骤，
[0012]步骤1.1，根据典型自然灾害：飓风、洪涝、地震、火山喷发等，利用无人机或者卫星平台收集灾后区域高分辨率遥感影像；
[0013]步骤1.2，根据受灾后感兴趣地物进行损毁评级，并进行像素级标注，包含但不限于以下类别：废墟、水域、未受损建筑物、中度受损建筑物、高度受损建筑物、完全损毁建筑物、车辆、船舶、道路、树木、泳池、沙土等；
[0014]步骤1.3，对所有影像与标注掩膜进行裁剪，并划分为训练、验证与测试集。对所有影像数据进行归一化，并利用随机翻转、随机色彩扰动、随机尺度放缩对训练集进行数据增强。
[0015]进一步的，步骤2的具体实现包括如下子步骤，
[0016]步骤2.1，设计密集连接的层级搜索空间，该空间用于寻找解码架构中最优的特征空间分辨率转移路径。现有深度学习编码器(如ResNet，Swin
‑
Transformer等)均具有四种尺度的特征输出，分别为：{c1,c2,c3,c4}，其空间分辨率分别为原始图像的{1/4,1/8,1/16,1/32}。因此，如何包含各种尺度特征的最优交互路径是该空间设计所考虑的主要需求。我们设计密集连接的层级搜索空间，其涵盖各种尺度特征交互的所有路径。针对该空间第一层连接，可以表示为：其中α为架构参数，表示前层输出的权重或者连接强度，代表多尺度算子融合策略，每一层有四个不同尺度的节点。针对第二层或更多后续层l，则其中节点连接表达公式如下：
[0017][0018]其中l≥2，代表当前层在搜索空间中深度，α基于softmax函数归一化， n
i
代表前层节点的特征输出{n
i
|i＝5,6,7,...,4l}，i代表前层输出编号。
[0019]步骤2.2，设计多尺度算子集搜索空间，该空间中特征空间分辨率保持不变，用于搜索微观层次，即节点中多尺度算子的最优融合策略每一个节点的算子选择与融合策
略都是相互独立的，从可选算子集合中组合：全局平均池化、3
×
3可分离卷积、5
×
5可分离卷积、7
ꢀ×
7可分离卷积。因此，在某节点内部搜索空间表示如下：
[0020][0021]其中β用来表示每个算子的重要程度，x表示节点输入特征，O
j
则为具体操作算子(如全局平均池化等)，j代表可选搜索算子编号。附图1中的O
p
为3
×
3可分离卷积，对输入的特征做预处理，实现特征降维。R(
·
)代表对多尺度融合后的特征做后处理，由3
×
3可分离卷积、归一化层与ReLU激活函数组成。
[0022]步骤2.3，设计多尺度融合模块，对解码架构的多尺度输出进行融合处理。解码架构的输出{d1,d2,d3,d4}也分为四个尺度，分别为原始图像的{1/4,1/8,1/16,1/32}，针对四个尺度的输出，分别用不同数量的上采样模块U
×2(<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层次化密集架构搜索的遥感灾害场景制图方法，其特征在于，包括以下步骤：步骤1，构建灾害场景地表覆盖分类影像样本库，收集灾害受击后的高分辨率遥感影像，按比例划分训练集、验证集与测试集，并对所有影像数据进行归一化，对训练集进行数据增强；步骤2，构建层次化密集搜索空间用于解码架构搜索，层次化密集搜索空间包含密集连接的层级搜索空间与多尺度算子集搜索空间；通过结合现有优秀的深度编码模型，在训练集上实现解码架构可微分搜索，并利用多尺度融模块对解码架构输出的多尺度特征进行融合，获取最终制图概率输出；步骤3，基于编码器权重迁移的模型训练，通过步骤2中搜索到的解码器架构参数，利用广度优先算法解码最优解码架构，结合编码器模型权重，在特定灾害任务上实现模型重训练；步骤4，基于训练后的编码
‑
解码模型，对未标记大范围灾害场景进行地表覆盖制图与损毁评估，预测分类概率获取制图结果。2.根据权利要求1所述的一种基于层次化密集架构搜索的遥感灾害场景制图方法，其特征在于：步骤1的具体实现包括如下子步骤，步骤1.1，根据典型自然灾害：飓风、洪涝、地震、火山喷发，利用无人机或者卫星平台收集灾后区域高分辨率遥感影像；步骤1.2，根据受灾后感兴趣地物进行损毁评级，并进行像素级标注，包含以下类别：废墟、水域、未受损建筑物、中度受损建筑物、高度受损建筑物、完全损毁建筑物、车辆、船舶、道路、树木、泳池、沙土；步骤1.3，对所有影像与标注掩膜进行裁剪，并划分为训练、验证与测试集，对所有影像数据进行归一化，并利用随机翻转、随机色彩扰动、随机尺度放缩对训练集进行数据增强。3.根据权利要求1所述的一种基于层次化密集架构搜索的遥感灾害场景制图方法，其特征在于：步骤2的具体实现包括如下子步骤，步骤2.1，设计密集连接的层级搜索空间，该空间用于寻找解码架构中最优的特征空间分辨率转移路径；现有深度学习编码器均具有四种尺度的特征输出，分别为：{c1,c2,c3,c4}，其空间分辨率分别为原始图像的{1/4,1/8,1/16,1/32}，所述密集连接的层级搜索空间涵盖各种尺度特征交互的所有路径，针对该空间第一层连接，可以表示为：其中α为架构参数，表示前层输出的权重或者连接强度，代表多尺度算子融合策略，每一层有四个不同尺度的节点；针对第二层或更多后续层l，则其中节点连接表达公式如下：其中l≥1，代表当前层在搜索空间中深度，α基于softmax函数归一化，n
i
代表前层节点的特征输出{n
i
|i＝5,6,7,...,4l}，i代表前层输出编号；步骤2.2，设计多尺度算子集搜索空间，该空间中特征空间分辨率保持不变，用于搜索微观层次，即节点中多尺度算子的最优融合策略每一个节点的算子选择与融合策略都是相互独立的，从可选算子集合中选择：全局平均池化、3
×
3可分离卷积、5
×

【专利技术属性】
技术研发人员：王俊珏，钟燕飞，马爱龙，郑卓，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：