[发明专利]神经网络、遥感影像的建筑物提取方法、介质及计算设备

权利要求书

1.一种神经网络系统，其特征在于，用于遥感影像的建筑物提取，包括：

VGG网络中的输入层、第一至第五卷积层、第一至第四池化层；

第一单尺度融合层，所述第一单尺度融合层的输入端连接至所述第一卷积层的输出端，用于融合所述第一卷积层所输出的第一尺度多通道特征图并输出融合后的第一尺度融合单通道特征图；

第二至第五单尺度融合层，所述第二至第五单尺度融合层的输入端分别连接至所述第二至第五卷积层的输出端，用于分别融合所述第二至第五卷积层所输出的第二至第五尺度多通道特征图并分别输出融合后的第二至第五尺度融合单通道特征图；

第一至第四上采样层，所述第一至第四上采样层的输入端分别连接至所述第二至第五单尺度融合层的输出端；

多尺度拼接融合层，所述多尺度拼接融合层的输入端连接至所述第一单尺度融合层、所述第一至第四上采样层的输出端，用于融合所述第一单尺度融合层、所述第一至第四上采样层所输出的特征图并输出融合后的多尺度融合单通道特征图；

输出层，所述输出层的输入端连接至所述多尺度拼接融合层的输出端，用于基于所述多尺度融合单通道特征图输出建筑物特征图，

其中，所述第一单尺度融合层、所述第一至第四上采样层的输出端及所述多尺度拼接融合层的输出端所输出的是与所述遥感影像的分辨率相同的二维单通道特征图。

2.如权利要求1所述的神经网络系统，其特征在于，还包括：

第一至第四裁剪层，所述第一至第四裁剪层分别设置在所述第一至第四上采样层和所述多尺度拼接融合层之间，用于分别将所述第一至第四上采样层所输出的特征图裁剪至与原始输入影像相同的分辨率。

3.如权利要求1或2所述的神经网络系统，其特征在于，在所述第一至第五卷积层之后还包括下列层：

第一至第五ReLU层、第一至第五Batch Normalization层、第一至第五Dropout层，用于避免过拟合，提高所述神经网络系统的泛化能力。

4.一种用于遥感影像的建筑物提取方法，其特征在于，包括：

构建经训练的如权利要求1-3中的任一项所述的神经网络系统；

使用经训练的神经网络系统来获取遥感影像所对应的建筑物特征图。

5.如权利要求4所述的用于遥感影像的建筑物提取方法，其特征在于，在所述构建经训练的如权利要求1-3中的任一项所述的神经网络系统的步骤之前，还包括：

使用包含建筑物的遥感训练影像及与所述遥感训练影像对应的标签影像的数据集对所述神经网络系统进行训练，以得到所述经训练的神经网络系统。

6.如权利要求4或5所述的用于遥感影像的建筑物提取方法，其特征在于，在获取所述遥感影像所对应的所述建筑物特征图之后，使用阈值法得到最终建筑物分布图。

7.如权利要求5所述的用于遥感影像的建筑物提取方法，其特征在于，在对所述神经网络系统进行训练时，使用Sigmoid Cross Entropy Loss损失函数并使用随机梯度下降算法。

8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求4至7中任意一项所述方法的步骤。

9.一种计算设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求4至7中任意一项所述方法的步骤。