一种基于注意力机制的建筑物矢量轮廓提取模型制造技术

本发明专利技术公开了一种基于注意力机制的建筑物矢量轮廓提取模型，包括：构建建筑物数据集；构建基于注意力机制的建筑物提取AG

【技术实现步骤摘要】
一种基于注意力机制的建筑物矢量轮廓提取模型


[0001]本专利技术属于遥感影像处理
，涉及一种基于注意力机制的建筑物矢量轮廓提取模型。

技术介绍

[0002]在城市区域中，建筑物目标能够在所有城市目标中占到60
‑
70％，提取出的建筑物目标可以应用到主城区自动提取、地图数据库更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面。
[0003]当前提取遥感影像中建筑物的方法，按照自动化程度可以分为目视解译提取、半自动提取、自动提取三类。目视解译的提取方法，虽然提取精度高，但是这种方法工作量大、且依赖于操作人员的经验水平，因此只适用于小范围的建筑物提取，当面临大尺度的建筑物提取任务时，往往费时费力，成本高。半自动提取方法是通过人工交互初步确定建筑物的处理范围，减小周围环境的影响，从而提高外形复杂的建筑物提取精度，但是该方法大多只对直角建筑物进行提取，交互操作要求较高。自动提取建筑物的方法主要是基于深度学习的方法，设定的网络模型通过对输入影像及其对应标签机型训练，学习建筑物特征以及推理，但该种方法的泛化性常受到数据集、网络结构的影响。
[0004]目前遥感影像建筑物提取的开源深度学习数据集，大都为以国外区域影像为基础构建的数据集，几乎没有针对国内建筑物制作的开源数据集。由于国内外建筑风格差异大、分布特征不同，导致利用国外的开源数据集提取国内城市建筑物效果较差。因此，一种适用于国内建筑物提取的遥感建筑物数据集以及鲁棒性强、泛化性能好的深度学习网络模型是提取国内建筑物矢量轮廓的关键。
[0005]广东国地规划科技股份有限公司CN202210058532.5号专利公开了一种深度学习的建筑物规则轮廓的提取方法，该专利技术采用深度学习的方法提取建筑物轮廓后，生成轮廓的最小外接矩形，并计算初始建筑物轮廓的面积与最小外接矩形的面积的比值a，然后设定一个比值阈值b，通过以下两种方式决定最终的建筑物轮廓：(1)当b>a时，认定最小外接矩形为最终轮廓；(2)当b<a时，根据初始建筑物轮廓和最小外接矩形的交点,划分多个待测区域,并确定是否在最小外接矩形的基础上剔除各待测区域对应的最大内接矩形。该专利技术基于最小外接矩形和最大内接矩形的算法,对初始建筑物轮廓进行规则化，提高精度。但该方法主要存在以下问题：
[0006](1)该规则化方法应用场景受限，且最小外接矩形与实际建筑物轮廓偏差大。由于国内建筑物风格多样，与国外建筑物差异较大，使用国外的数据集在国内提取建筑效果很差。另外，该种规则化方法，适用于建筑屋顶为矩形或多为直角形建筑，但当面对多边形、圆形屋顶时，最小外接矩形轮廓往往会超出实际建筑物轮廓很多，面对密集区域建筑时，单个建筑的轮廓的最小外接矩形，往往会带入其他建筑物，影响后续数据的应用。
[0007](2)该方法泛化性差。即便在某一地区设定了较好的比值阈值b，但是不同地区的建筑类型、风格不同，当将该参数使用到其他地区时阈值b的设定需要重新进行参数调整，
增加工作量。
[0008](3)与矢量轮廓相比后期修改难度高。当前深度学习算法提取建筑物的精度有限，在初步提取后往往需要对提取结果进行后处理修正。矢量轮廓与最小外接矩形轮廓相比，能够更方便的进行编辑结果，也更容易使用其进行后续的分析。

技术实现思路

[0009]本专利技术的技术解决问题是：克服现有技术的不足，提供一种基于注意力机制的建筑物矢量轮廓提取模型，提供针对国内建筑物的应用场景多样的数据集及提出了基于注意力机制的建筑物矢量轮廓提取方法AG
‑
Linknet；本专利技术进一步解决的技术问题是避免了利用国外数据集提取国内城市建筑效果较差的问题，并提高了模型从遥感影像中提取建筑物矢量轮廓的鲁棒性和泛化能力。
[0010]本专利技术的技术解决方案是：
[0011]本专利技术公开了一种基于注意力机制的建筑物矢量轮廓提取模型，包括：
[0012]构建建筑物数据集；
[0013]构建基于注意力机制的建筑物提取AG
‑
Linknet网络模型；
[0014]利用AG
‑
Linknet网络模型，设置训练前参数后，对所述建筑物数据集进行模型训练，得到训练后参数；
[0015]使用所述训练后参数，对待提取区域进行推理，生成待检测区域的矢量轮廓；
[0016]对所述矢量轮廓进行后处理，得到建筑物矢量轮廓。
[0017]进一步地，在上述轮廓提取模型中，所述构建建筑物数据集，具体为：
[0018]选定多个城市建筑区域；
[0019]将所述建筑区域中的所有建筑物在地图中进行矢量标签标注，得到矢量建筑轮廓；
[0020]将所述矢量建筑轮廓转为二值化的栅格标签；
[0021]将标注后的建筑区域与所述栅格标签一一对应切分成相同大小的切片，形成建筑物数据集。
[0022]进一步地，在上述轮廓提取模型中，所述构建基于注意力机制的建筑物提取AG
‑
Linknet网络模型，具体为：
[0023]以网络模型Linknet为基础，在编码层部分，将网络模型Linknet的特征提取网络ResNet34中步长为2的7
×
7的初始卷积块替换为3个步长为1的3
×
3卷积块；
[0024]在解码层部分，对编码层输出的不同尺度特征与解码层中对应特征进行拼接之前，增加注意力模块AG，形成AG
‑
Linknet网络模型。
[0025]进一步地，在上述轮廓提取模型中，所述对待提取区域进行推理，生成待检测区域的矢量轮廓，具体为：
[0026]读取影像信息；
[0027]将整幅所述影像切割为若干M*M的tif切片；其中，M为整数；
[0028]根据所述切片的位置，设置每一个切片的坐标信息；
[0029]将所述每一个切片生成一幅对应的推理结果；
[0030]将每幅tif切片的推理结果转化为矢量轮廓，保持所述矢量轮廓与切片的坐标信
息一致；
[0031]按照矢量轮廓的坐标信息，对全部矢量轮廓进行拼接，生成待检测区域完整的矢量轮廓。
[0032]进一步地，在上述轮廓提取模型中，所述对待提取区域进行推理，生成待检测区域的矢量轮廓，具体为：
[0033]读取影像信息；
[0034]创建与所述影像长宽相同的全0矩阵a；
[0035]采用滑窗推理的方法对整幅影像进行推理，滑窗大小为N*N，步长为N或N/2，得到滑窗推理结果；其中，N为整数；
[0036]将所述滑窗推理结果逐一保存至矩阵a中；
[0037]将所述矩阵a转化为矢量轮廓，生成待检测区域的矢量轮廓。
[0038]进一步地，在上述轮廓提取模型中，所述对矢量轮廓进行后处理，具体为：对矢量轮廓进行删除无效字段、边缘平滑、去除拼接边界线。
[0039]进一步地，在上述轮廓提取模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的建筑物矢量轮廓提取模型，其特征在于，包括：构建建筑物数据集；构建基于注意力机制的建筑物提取AG
‑
Linknet网络模型；利用AG
‑
Linknet网络模型，设置训练前参数后，对所述建筑物数据集进行模型训练，得到训练后参数；使用所述训练后参数，对待提取区域进行推理，生成待检测区域的矢量轮廓；对所述矢量轮廓进行后处理，得到建筑物矢量轮廓。2.根据权利要求1所述的一种基于注意力机制的建筑物矢量轮廓提取模型，其特征在于：所述构建建筑物数据集，具体为：选定多个城市建筑区域；将所述建筑区域中的所有建筑物在地图中进行矢量标签标注，得到矢量建筑轮廓；将所述矢量建筑轮廓转为二值化的栅格标签；将标注后的建筑区域与所述栅格标签一一对应切分成相同大小的切片，形成建筑物数据集。3.根据权利要求1所述的一种基于注意力机制的建筑物矢量轮廓提取模型，其特征在于：所述构建基于注意力机制的建筑物提取AG
‑
Linknet网络模型，具体为：以网络模型Linknet为基础，在网络模型Linknet的编码层部分，将网络模型Linknet的特征提取网络ResNet34中步长为2的7
×
7的初始卷积块替换为3个步长为1的3
×
3卷积块；在网络模型Linknet的解码层部分，对编码层输出的不同尺度特征与解码层中对应特征进行拼接之前，增加注意力模块AG，形成AG
‑
Linknet网络模型。4.根据权利要求1所述的一种基于注意力机制的建筑物矢量轮廓提取模型，其特征在于：所述对待提取区域进行推理，生成待检测区域的矢量轮廓...

【专利技术属性】
技术研发人员：马浩轩，汤超，李伟明，田新，董安冉，
申请(专利权)人：赛思倍斯绍兴智能科技有限公司，
类型：发明
国别省市：