遥感图像类激活映射图优化方法技术

本发明专利技术公开了一种遥感图像类激活映射图优化方法。本发明专利技术首先通过改进类激活映射图生成网络，改变全局平均池化层为区域自适应池化层，将局部特征权重考虑到池化过程中，并构建多层次网络结构来改善类激活映射图生成；其次利用遥感图像显著信息来对生成的类激活映射图边界进行优化；最后利用抗擦除策略来对类激活映射图进行迭代补全，从而得到边界和完整度都得到改进的类激活映射图。本发明专利技术能够提供优化的类激活映射图，可有效支撑弱监督语义分割，降低像素级的样本依赖。降低像素级的样本依赖。降低像素级的样本依赖。

【技术实现步骤摘要】
遥感图像类激活映射图优化方法


[0001]本专利技术属于遥感图像弱监督语义分割的研究领域，具体涉及一种遥感图像类激活映射图优化方法。

技术介绍

[0002]卫星遥感数据为代表的空间信息目前已成为全球不可或缺的重要战略性信息资源。作为地物信息的载体，遥感图像已经深入应用到人类的工作和生活中，在资源、环境、灾害、区域、城市等进行调查、监测、分析和预测、预报等工作中发挥着越来越重要的作用。
[0003]遥感图像语义分割是旨在通过端到端的机制实现对像素级的分类，在全卷积神经网络(fully convolutional neural networks ，FCN)的显著促进作用下，已被广泛用于遥感图像地物提取。在丰富的像素级标签数据集的监督下，基于FCN的语义分割任务能够利用图像中的空间上下文信息，提取不同感受野视角下的多级特征，极大地推动了遥感图像语义分割的性能。
[0004]然而，强监督学习需要提供图像像素级别的标签，需要大量的人工标注，导致训练样本非常昂贵和极其耗时的。弱监督的语义分割方法为克服遥感影像的标注困难提供了新的思路。弱监督本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像类激活映射图优化方法，其特征在于，包括：S1 获取遥感图像，遥感图像包含标签；S2 将遥感图像及对应的标签输入到深度卷积网络中，得到初始类激活映射图；S3 根据遥感图像显著性提取模块对遥感图像进行显著性提取，得到显著性区域；S4 将初始类激活映射图和显著性区域进行叠加处理，得到优化类激活映射图；S5 对优化类激活映射图进行补全，得到补全类激活映射图。2.根据权利要求1所述的遥感图像类激活映射图优化方法，其特征在于，深度卷积网络包括多尺度特征提取模块、自适应池化模块、分类网络模块，步骤S2包括：S21将遥感图像输入多尺度特征提取模块进行多尺度特征提取，得到多尺度特征图；S22将多尺度特征图输入自适应池化模块进行向量化，得到多尺度特征向量；S23将多尺度特征向量输入分类网络模块，并对标签赋予权值，根据标签对多尺度特征向量进行分类，得到多尺度特征向量的多尺度权值；S24对多尺度权值和多尺度特征图进行计算，得到多个多尺度的类激活映射图；S25将多个多尺度的类激活映射图进行合并，得到初始类激活映射图。3.根据权利要求2所述的遥感图像类激活映射图优化方法，其特征在于：多尺度特征提取模块包括多个卷积单元，每个卷积单元包括多个卷积层和池化层；自适应池化模块包括特征重要度卷积单元、批正则化层、激活函数层和合并层；分类网络模块包括多个子网络，每个子网络的结构相同，均包含全连接层和激活函数。4.根据权利要求3所述的遥感图像类激活映射图优化方法，其特征在于，步骤S24包括：根据分类网络模块中的各个子网络将多尺度权值和多尺度特征图进行相乘计算，得到多个多尺度的类激活映射图；相应的，步骤S25包括：对所有的多尺度的类激活映射图进行上采样，得到新的多尺度的类激活映射图，其中，每个新的多尺度的类激活映射图的长和宽与遥感图像的长和宽相同；将所有新的多尺度的类激活映射图进行图像融合，融合后的类激活映射图作为初始类激活映射图。5.根据权利要求1所述的遥感图像类激活映射图优化方法，其特征在于，遥感图像显著性提取模块包括遥感图像分割子模块、遥感图像分割结果优化子模块、遥感图像显著性区域提取子模块，步骤S3包括：S31根据遥感图像分割子模块将遥感图像进行图像分割，将遥感图像分割为多个初始图斑，每个初始图斑均由多个像素构成，所有的初始图斑组成初始遥感图像分割结果；S32根据遥感图像分割结果优化子模块对所有的初始图斑进行像素级的优化，...

【专利技术属性】
技术研发人员：王婷，陈宇，鲁锦涛，陈婷，吴皓，段红伟，张玥珺，邹圣兵，
申请(专利权)人：北京数慧时空信息技术有限公司，
类型：发明
国别省市：