基于多尺度轻量化空洞卷积的光学遥感图像分割方法
专利汇可以提供基于多尺度轻量化空洞卷积的光学遥感图像分割方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于多尺度轻量化空洞卷积的光学遥感 图像分割 方法，主要解决 现有技术 中网络所占的存储空间大、图像分割效果欠佳的问题。其实现方案为：获取光学遥感图像数据，并划分训练样本集和测试样本集；构建由特征提取下 采样 子网络、底层子网络、图像恢复上采样子网络级联的多尺度轻量化空洞卷积网络；用训练样本集对构建的多尺度轻量化空洞卷积网络进行训练；将测试样本集输入到训练好的多尺度轻量化空洞卷积网络中进行测试，得到光学遥感图像的分割结果。本发明减小了分割网络所占存储空间，提高了对光学遥感图像的分割 精度 ，可用于土地规划管理，植被资源调查及环境监测。，下面是基于多尺度轻量化空洞卷积的光学遥感图像分割方法专利的具体信息内容。
1.一种基于多尺度轻量化空洞卷积的光学遥感图像分割方法，其特征在于，包括如下：
(1)获取训练样本集T和测试样本集V：
从公开网站上获取用于分割的光学遥感图像数据集GID，该数据集包含150张6800×
7200像素大小的光学遥感图像数据和150张6800×7200像素大小的包含建筑物、农田、水域、森林、草地，背景这六类的类标图数据，从光学遥感图像数据中选取80％的数据与其对应的类标图数据作为训练样本集T，剩余的20％的学遥感图像数据作为测试样本集V；
(2)构建由特征提取下采样子网络、底层子网络、图像恢复上采样子网络级联的多尺度轻量化空洞卷积网络；
(3)对多尺度轻量化空洞卷积网络进行训练：
(3a)设初始学习率为0.00003，初始化Adam优化器，采用学习率衰减器动态衰减学习率；并设置该学习率衰减器中能容忍的无提升次数为5，衰减权重为0.2，最小的学习率为
1e-8；
(3b)对训练样本集T中的数据做随机的数据增强，其中包括旋转、上下翻转、左右翻转、随机切取、亮度改变，得到数据增强后训练样本集T’；
(3c)将数据增强后的训练样本集T’分批次输入到多尺度轻量化空洞卷积网络中，计算多尺度轻量化空洞卷积网络的交叉熵损失，使用初始化后的优化器Adam根据计算得到的交叉熵损失反向更新该网络的权重和偏置；
(3d)重复(3b)到(3c)到100轮后，得到训练好的多尺度轻量化空洞卷积网络Net；
(4)将测试样本集V输入到训练好的多尺度轻量化空洞卷积网络Net中进行预测，得到测试样本集V的分割结果。
2.根据权利要求1所述的方法，其特征在于，所述(2)多尺度轻量化空洞卷积网络中的特征提取下采样子网络，包括四层结构，其中：
第一层由4个特征提取模块与1个空间通道压缩及提取模块SCSE级联构成；
第二层由4个特征提取模块与1个空间通道压缩及提取模块SCSE级联构成；
第三层由6个特征提取模块与1个空间通道压缩及提取模块SCSE级联构成；
第四层由3个特征提取模块与1个空间通道压缩及提取模块SCSE级联构成。
3.根据权利要求2所述的方法，其特征在于，第一层的4个特征提取模块，其参数如下：
第1个特征提取模块由一层卷积核大小为7×7、步长为2的卷积层构成；
第2个特征提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别为3×1和1×3、步长均为1；
第3个特征提取模块和第4个特征提取模块的结构与第2个特征提取模块相同。
4.根据权利要求2所述的方法，其特征在于，第二层的4个特征提取模块，其参数如下：
第1个特征提取模块由三个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长分别为2和1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长分别为2和1；
第三个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别7×1和1×7、步长分别为2和1；
第2个特征提取模块由两个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长均为1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长均为1；
第3个特征提取模块和第4个特征提取模块的结构与第2个特征提取模块相同。
5.根据权利要求2所述的方法，其特征在于，第三层的6个特征提取模块，其参数如下：
第1个特征提取模块由三个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长分别为2和1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长分别为2和1；
第三个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别7×1和1×7、步长分别为2和1；
第2个分组提取模块由两个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长均为1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长均为1；
第3个分组提取模块的结构与第2个分组提取模块相同；
第4个分组提取模块由三个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长均为1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长均为1；
第三个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别7×1和1×7、步长均为1；
第5个分组提取模块和第6个分组提取模块的结构与第4个分组提取模块相同。
6.根据权利要求2所述的方法，其特征在于，第四层的3个特征提取模块，其参数如下：
第1个特征提取模块由五个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长分别为2和1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长分别为2和1；
第三个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别7×1和1×7、步长分别为2和1；
第四个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别9×1和1×9、步长分别为2和1；
第五个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别11×1和1×11、步长分别为2和1；
第2个特征提取模块由四个分组提取模块并联构成，其中：
第一个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长均为1；
第二个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别5×1和1×5、步长均为1；
第三个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别7×1和1×7、步长均为1；
第四个分组提取模块由两个卷积层级联构成，每个卷积层的卷积核大小分别9×1和1×9、步长均为1；
第3个特征提取模块的结构与第2个特征提取模块相同。
7.根据权利要求1所述的方法，其特征在于，所述(2)多尺度轻量化空洞卷积网络中的底层子网络，其由2个卷积层和1个空间通道压缩及提取模块SCSE级联构成，每个卷积层的卷积核大小分别3×1和1×3、步长分别为2和1。
8.根据权利要求1所述的方法，其特征在于，(2)构建多尺度轻量化空洞卷积网络中的图像恢复上采样子网络，包括五层结构，其中：
第一层采用的是现有UNet网络结构中的上采样网络结构，只是将其中的普通卷积层用分组提取模块替换，分组提取模块由两个卷积层级联所构成，卷积核大小分别为3×1和1×
3、步长均为1；
第二层、第三层、第四层的结构和第一层相同；
第五层由一个反卷积层和一个卷积层级联构成，其中，反卷积层的卷积核大小为3×3、步长为2，卷积层的卷积核大小为3×3、步长为1。
9.根据权利要求1所述的方法，其特征在于，(3c)中计算多尺度轻量化空洞卷积网络的交叉熵损失，通过下式进行：
其中，J(W,b)为交叉熵损失，N为样本总数目，Lab(i)为第i个样本的类标，P(i)(W,b)为第i个样本的预测结果。
10.根据权利要求1所述的方法，其特征在于，(3c)中反向更新多尺度轻量化空洞卷积网络的权重和偏置，公式如下：
其中，J(W,b)为交叉熵损失， 是第l层第j单元与第l+1层第i单元之间更新前的联接权重， 是第l层第j单元与第l+1层第i单元之间更新后的联接权重， 是第l+1层i单元更新前的偏置， 是第l+1层i单元更新后的偏置，α是更新步长也称学习率。
基于多尺度轻量化空洞卷积的光学遥感图像分割方法
技术领域
背景技术
发明内容
具体实施方式
Res-UNet 181.75MB 0.5487
本发明 73.56MB 0.5642
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于增强图像对比的变电场所悬挂物识别方法 | 2020-05-08 | 672 |
| 一种基于深度学习的遥感影像自动标注方法 | 2020-05-08 | 447 |
| 地板破损故障图像识别方法 | 2020-05-08 | 111 |
| 一种显示方法、装置、设备和存储介质 | 2020-05-11 | 381 |
| 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | 2020-05-08 | 513 |
| 一种基于块编码特性的3D视频错误隐藏方法 | 2020-05-08 | 589 |
| 一种基于信息熵和视觉注意机制的织物疵点检测方法 | 2020-05-08 | 238 |
| 一种基于虚拟训练的机器人智能抓取方法 | 2020-05-11 | 224 |
| 基于机器视觉的钙钛矿薄膜质量在线检测装置及方法 | 2020-05-11 | 884 |
| 一种基于加权联合最近邻的多任务稀疏表示检测方法 | 2020-05-11 | 988 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
