[发明专利]一种基于卷积神经网络的卫星图像分析方法

权利要求书

1.一种基于卷积神经网络的卫星图像分析方法，其特征在于，主要包括确定案例(一)；创建训练数据集(二)；使用数据集训练并验证(三)；获取新案例信息(四)；为新案例微调模型(五)。

2.基于权利要求书1所述的卫星图像分析方法，其特征在于，采用深度学习方法，选取案例；创建与案例相关的训练数据集，然后从训练数据集中提取信息，使用训练数据的子集验证其检测能力，经过训练的模型为新案例做好准备；尽管数据有相似性，但差异性较小，因此还需要适当对模型微调；最后由模型自动处理剩余案例中的数据。

3.基于权利要求书1所述的确定案例(一)，其特征在于，使用深度学习方法，选择的案例彼此相似且被限制在尽可能小的范围内。

4.基于权利要求书1所述的创建训练数据集(二)，其特征在于，深度卷积神经网络需要大量的训练数据，选择分辨率高、正射校正效果好、映射完整的数据，在作为训练数据时，对信息不完整的数据，需要提前进行处理改造。

5.基于权利要求书4所述的数据集，其特征在于，训练数据由真实数据以及注释概述该类型的每个结构标签组成，数据集的特征在提取之前需要经过外观检测和适当标记注解。

6.基于权利要求书1所述的使用数据集训练并验证(三)，其特征在于，深度学习从训练数据集中提取特征信息，使用训练数据的子集验证其检测受损对象的能力。

7.基于权利要求书6所述的验证，其特征在于，使用语义分割检测和验证，图像的语义分割被认为是目标类或类的像素的掩码；采用编码器-解码器方式建立用于变化检测的卷积网络。

8.基于权利要求书6所述的训练，其特征在于，对于一组3波段图像的模型，可以使用一个6通道的编码器，模型是基于一个双流编码器构建的，每个编码器查看自己的3波段图像和一个公共解码器，这种方法使得在编码器的每个分支中独立使用RGB图像的“图像网”分类数据集权重的预训练成为可能。

9.基于权利要求1所述的获取新案例信息(四)，其特征在于，新案例数据类型与训练数据的类型相同或相似，这是模型正常工作的关键点。

10.基于权利要求1所述的为新案例微调模型(五)，其特征在于，数据间的差异较小，模型可能无法正确处理这些数据；可使用来自新案例的自动批注数据或手动标记对模型微调。