【技术实现步骤摘要】
本专利技术涉及人工智能神经网络，尤其涉及基于改进循环生成对抗网络的城市道路检测算法。
技术介绍
1、地图经历过了上千年的研究和发展，早已是一个经久不衰的实用工具。即使在遥远的未来，在导航、地质研究等行业中地图仍然有不可被取代的地位。而随着科技的发展，卫星生成的遥感地图被越来越多的普通人接受和使用。现今的电子地图中道路、建筑、水域的信息，通常都是从遥感卫星图像中识别转换而来。
2、遥感卫星地图的识别上拥有三个难点。难点一是信息量过于丰富，颜色多元化和地形信息过于复杂。难点二是特征提取存在障碍，由于卫星对地球是一种俯视关系，存在一定的低层遮挡现象。难点三是识别实时更新速度慢。截止到2022年，中国修建的公路总里程达到528万公里，位居世界第一。中国公路快速发展的同时，中国基建的更新速度加快，无疑给识别的实时性增加了难度。传统的图像的识别工作常使用人工方式，该种方式费时费力，需大量的人工和财力，且还会不可避免在某些方面会出现严重的差错，导致测量的结果出现偏差，很有可能导致严重的后果。另一方面，一般的检测算法依赖大量的成对的、带有其自身区域级标签的图像进行监督训练，不仅需要大量人力资源进行像素级标注，还需要花费大量时间。
技术实现思路
1、本专利技术针对现有遥感图像的识别工作存在的问题，提出了基于改进循环生成对抗网络的城市道路检测算法，该方法无需借助大量成对像素级标注的数据集，从而节省大量人力，有效推进了让遥感图像到标注清晰的地图的过程。
2、本专利技术为实现上述专
3、基于改进循环生成对抗网络的城市道路检测算法，包括以下步骤：
4、s1、采集大量城市遥感图像，以及大量标注后的城市道路图像；该两类图像无需对应成对；
5、s2、对两类图像进行预处理，构建训练集和测试集，训练集包括遥感图像、标注图像、以及进行高斯模糊处理后的两类图像；
6、s3、将训练集输入改进的循环生成对抗网络，生成器模型对图像通过进行下采样对图像特征进行提取，并上采样成原大小；
7、s4、将生成器的生成图像和高斯模糊图像一起输入到判别器中，进行判断处理；
8、s5、训练并优化模型，测试集测试模型性能；
9、s6、对城市遥感图像处理后，输入进训练好的模型，实现城市遥感图像的道路标注。
10、作为本专利技术的优选技术方案，采集的标注后的城市道路图像无需与采集的城市遥感图像是一一对应成对的，但需要是风格统一的以此提高模型的准确性。
11、作为本专利技术的优选技术方案，在步骤s2中，对采集的两类图像进行预处理，包括以下步骤：s201、选择数据集，因为模型对于图像的风格统一有一定要求，因此删除因为极端地理环境问题而生成的的极端图片或是标注明显错的图像；s202、随机选择部分遥感图像、标注图像进行高斯模糊处理，以此一共生成四组数据集。
12、作为本专利技术的优选技术方案，在步骤s3中，将训练集输入改进的循环生成对抗网络，网络包含一对生成器g和判别器d，其中生成器g提取原图像特征并生成目标图像；生成器g的功能是提取原真实图像a特征并生成目标假图像b，通常是由下采样、以及上采样还原成原图大小两个过程组成。
13、作为本专利技术的优选技术方案，所述步骤s4，包括以下步骤：
14、s401、生成器g生成目标假图像b，以及通过高斯模糊处理的模糊图像一起输入到判别器中；将模糊的假数据集作为第三输入输入到判别器中，以及对抗循环生成对抗网络的边缘模糊问题；
15、s402、循环生成对抗网络损失函数由三部分组成：对抗损失、identity损失以及循环一致性损失；对抗损失为通常对抗网络中判别器与生成器直接的博弈损失；循环生成对抗网络使用了patchgan的设计，与对抗网络的判别器输出是一个标量不同，patchgan是一个二维矩阵，其式如下：
16、
17、
18、其中，a是的原目标图像，b代表输入到生成器g中的原真实图像，x＝0，y＝z＝1，x表示生成图像，y表示目标图像，z表示假图像被判别为真实图像的值；通过最小化损失函数后让生成的图像尽可能接近决策边界，缓解模型不稳定的问题；
19、s403、为了防止生成器生成的图像失去原先输入图像的内容结构特征，循环生成对抗网络中提出了循环一致性损失；当a域图像经过生成器到目标b域，又通过回到a域；循环一致性损失便是用来计算此时图像与原图像之间的差异，以此来不断更新生成器模型，最终趋于循环一致性；此处，由l1范式来实现，其定义如下：：
20、
21、其中，gab是指将原真实图像a生成为目标假图像b的生成器。
22、作为本专利技术的优选技术方案，所述步骤s5采用语义分割两种常用的评价指标，像素准确率pa和平均像素精度mpa，对测试集结果进行评测；像素准确率pa是最简单的指标，仅计算正确标注的像素与总像素数量的比值，其函数如下：
23、
24、平均像素精度mpa是对像素准确率的改进，计算的是每一类中标注正确的像素点数和该类的所有像素点总数的比例，最后再计算总的平均值，公式如下：
25、
26、其中，k代表类别，k+1表示加上一个无效的背景类别；pii表示的是预测正确的，即在图像里属于i类并在生成图像中也被分类成i类的像素。pij表示在图像里属于i类但在生成图像中被分类成j类的像素，即错误的预测；pji同理。
27、本专利技术所述的基于改进循环生成对抗网络的城市道路检测算法，采用以上技术方案与现有技术相比，具有以下技术效果：
28、(1)本专利技术能够凭遥感图像生成其对应的对城市、建筑标注的标注图像，大大提高了各种类型遥感图像标注的效率。
29、(2)本专利技术使用基于循环生成对抗网络的城市道路检测方法可以无需成对的数据集，节约了大量的人力成本。
30、(3)本专利技术在训练模型时，水平翻转增广数据集，可以在数据集较少时提高数据集的利用率。
31、(4)本专利技术采用深度可分离卷积代替传统下采样，在不影响模型性能的同时大大减少了模型的计算量。
32、(5)本专利技术利用高斯模糊处理后的假数据集作为第三输入输入到判别器中，缓解了原生成对抗网络生成图像边缘模糊的问题，使生成的图像更加清晰。
本文档来自技高网...【技术保护点】
1.基于改进循环生成对抗网络的城市道路检测算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，所述S1中城市遥感图像与标注后的城市道路图像需要风格统一。
3.根据权利要求2所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，在步骤S2中，对采集的两类图像进行预处理，包括以下步骤：
4.根据权利要求3所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，在步骤S3中，将训练集输入改进的循环生成对抗网络，网络包含一对生成器G和判别器D，其中生成器G提取原图像特征并生成目标图像；生成器G的功能是提取原真实图像A特征并生成目标假图像B，通常是由下采样、以及上采样还原成原图大小两个过程组成。
5.根据权利要求4所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，所述步骤S4，包括以下步骤：
6.根据权利要求5所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，所述步骤S5采用语义分割两种常用的评价指标，像素准确率PA和平均像素精度M
...【技术特征摘要】
1.基于改进循环生成对抗网络的城市道路检测算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，所述s1中城市遥感图像与标注后的城市道路图像需要风格统一。
3.根据权利要求2所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，在步骤s2中，对采集的两类图像进行预处理，包括以下步骤：
4.根据权利要求3所述的基于改进循环生成对抗网络的城市道路检测算法，其特征在于，在步骤s3中，将训练集输入改进的循环生成对抗网络，网络包含一对生成器g和判别器d，...
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。