【技术实现步骤摘要】
建筑物细粒度边缘提取及分类方法、装置、设备和介质
[0001]本申请涉及遥感检测
，尤其是涉及一种建筑物细粒度边缘提取及分类方法、装置、设备和介质。
技术介绍
[0002]目前在进行建筑物识别提取时，相关技术采用基于深度学习的建筑物识别算法。然而此类算法通常将建筑物按照一个类别进行标注，无法完全满足城市规划中对于建筑物类别检测应用层面的需求；同时，对于实例分割提取网络而言，掩码的轮廓提取不够精细，无法满足建筑物的细粒度提取。并且，在实际应用中，建筑物的建筑类别存在长尾分布的状况，对于尾部样本的提取精度更差。因此，目前识别提取建筑物的方式存在提取轮廓不够精细、提取精度较差的问题。
技术实现思路
[0003]本申请的目的在于提供一种建筑物细粒度边缘提取及分类方法、装置、设备和介质，可以有效提高建筑物边界提取精度以及分类结果。
[0004]第一方面，本专利技术提供一种建筑物细粒度边缘提取及分类方法，方法包括：获取建筑物遥感影像，对建筑物遥感影像进行尺寸裁剪，并基于裁剪后的建筑物遥感影像构建训练样本集；...
【技术保护点】
【技术特征摘要】
1.一种建筑物细粒度边缘提取及分类方法，其特征在于，所述方法包括：获取建筑物遥感影像，对所述建筑物遥感影像进行尺寸裁剪，并基于裁剪后的建筑物遥感影像构建训练样本集；所述训练样本集包括训练集和测试集，所述训练集图片中的建筑物屋顶轮廓根据建筑物类型进行实例化标注；将所述训练集分别输入至预先选择的多个实例分割网络，所述训练集采用类别动态均衡采样增强方法进行数据增强，通过数据增强后的训练集分别对所述实例分割网络进行训练，得到每个实例分割网络所对应的第一建筑物识别模型，并将所述测试集输入至相应的第一建筑物识别模型，得到每个第一建筑物识别模型输出的相应的第一识别结果；将所述第一识别结果作为所述测试集的标签对训练集进行扩充，通过扩充后的训练集对每个第一建筑物识别模型进行优化训练，得到与每个第一建筑物识别模型所对应的第二建筑物识别模型，并将所述测试集分别输入至每个第二建筑物识别模型，得到每个第二建筑物识别模型输出的相应的第二识别结果；将每个第二建筑物识别模型输出的相应的第二识别结果进行细粒度掩码融合处理，得到目标识别结果；其中，所述目标识别结果包括建筑物类别、置信度得分、建筑物检测框和建筑物细粒度掩码。2.根据权利要求1所述的建筑物细粒度边缘提取及分类方法，其特征在于，所述训练集采用类别动态均衡采样增强方法进行数据增强，包括：计算所述训练集中每个建筑物类别所对应的实例占比；根据所述实例占比和预设均衡率确定每个类别增强概率；根据所述训练集中所包含的建筑物类别确定图片采样概率；基于所述图片采样概率在所述训练集中依次选择源图片和目标图片，将所述源图片中的目标对象裁剪出来，进行数据增强处理，所述数据增强处理至少包括随机缩放、随机旋转和随机模糊；基于所述增强概率随机选取预设个数的目标对象粘贴至所述目标图片中，得到数据增强后的训练集。3.根据权利要求2所述的建筑物细粒度边缘提取及分类方法，其特征在于，计算所述训练集中每个建筑物类别所对应的实例占比，采用以下公式：其中，f
c
为实例占比；c为建筑物类别，n为类别数目；m
c
指对应建筑物类别下实例的数量。4.根据权利要求2所述的建筑物细粒度边缘提取及分类方法，其特征在于，根据所述训练集中所包含的建筑物类别确定图片采样概率，包括：当训练集中所包含的图片中目标对象的个数为0时，不对图片I进行采样；当训练集中所包含的图片中目标对象的类别数为1时，将所述类别增强概率确定为该图片对应的图片采样概率；当训练集中所包含的图片中目标对象的类别数大于1时，将该图片中所包含的目标类别中类别增强概率最大的值确定为该图片对应的图片采样概率。
5.根据权利要求1所述的建筑物细粒度边缘提取及分类方法，其特征在于，通过扩充后的训练集对每个第一建筑物识别模型进行优化训练，得到与每个第一建筑物识别模型所对应的第二建筑物识别模型，包括：通过扩充后的训练集对每个第一建筑物识别模型进行优化训练时将学习率缩小预设倍数并固定特征提取网络参数进行优化训练。6.根据权利要求2所述的建筑物细粒度边缘提取及分类方法，其特征在于，将每个第二建筑物识别模型输出的相应的第二识...
【专利技术属性】
技术研发人员：彭宝钗，王宇翔，张攀，沈均平，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。