[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

说明书

本发明公开了一种神经网络、遥感影像的建筑物提取方法、介质及计算设备。所公开的神经网络，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，第一单尺度融合层的输入端连接至第一卷积层的输出端；第二至第五单尺度融合层，第二至第五单尺度融合层的输入端分别连接至第二至第五卷积层的输出端；第一至第四上采样层，第一至第四上采样层的输入端分别连接至第二至第五单尺度融合层的输出端；多尺度拼接融合层，多尺度拼接融合层的输入端连接至第一单尺度融合层、第一至第四上采样层的输出端；输出层。所公开的神经网络能够有效处理分布密集且尺度多样的建筑物，提高建筑物自动化提取的精度。

技术领域

本发明涉及神经网络和图像处理领域，尤其涉及一种神经网络、遥感影像的建筑物提取方法、介质及计算设备。

背景技术

随着传感器技术的飞速发展，遥感影像的空间分辨率不断提高。受到计算机视觉领域深度学习算法的启发，目前学者多采用卷积神经网络来实现遥感图像的语义分割任务。虽然一些最前沿的方法已经在遥感影像语义分割任务上取得了不错的效果，但是都没有考虑遥感影像自身的一些特点。首先，常规计算机视觉语义分割任务中，待检测图像上一般只有少数几个到几十个目标，目标之间分布较为松散，见图1(a)。然而在遥感影像中，建筑分布一般较为密集，特别是在居民地区域，见图1(b)。其次，常规计算机视觉语义分割任务中，待检测目标尺寸一般较大，长宽一般在几十到几百像素，而遥感影像中建筑物尺寸一般要小很多，尺度(不同建筑物的影像自身所对应的像素数)变化也较大，见图1(c)。

为了保证语义分割的准确性，首先要保证建筑物(特征)提取的准确性。尽管现有技术中已经存在一些结合卷积神经网络来提取遥感影像中的某些特定目标的技术方案。例如，公开号为CN107025440A的专利申请中就公开了一种基于全卷积神经网络的遥感图像道路提取方法，所公开的技术方案使用全卷积神经网络实现结构性输出，可以充分挖掘遥感图像中道路的二维几何结构相关性。然而，现有技术中还没有能够充分利用卷积神经网络来提取遥感影像中不同尺度的建筑物的特征信息的有效方法。

因此，需要提出新的技术方案来结合卷积神经网络对不同尺度下的影像特征进行融合，从而有效提高不同尺度建筑物的自动化提取的精度。

发明内容

根据本发明的神经网络系统，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，第一单尺度融合层的输入端连接至第一卷积层的输出端，用于融合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，第二至第五单尺度融合层的输入端分别连接至第二至第五卷积层的输出端，用于分别融合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，第一至第四上采样层的输入端分别连接至第二至第五单尺度融合层的输出端；

多尺度拼接融合层，多尺度拼接融合层的输入端连接至第一单尺度融合层、第一至第四上采样层的输出端，用于融合第一单尺度融合层、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，输出层的输入端连接至多尺度拼接融合层的输出端，用于基于多尺度融合单通道特征图输出建筑物特征图，

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

根据本发明的神经网络系统，还包括：

第一至第四裁剪层，第一至第四裁剪层分别设置在第一至第四上采样层和多尺度拼接融合层之间，用于分别将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。