[发明专利]一种基于深度密集神经网络的水体识别方法

权利要求书

1.一种基于深度密集神经网络的水体识别方法，其特征在于，包括步骤：

S100，数据采集，下载卫星遥感影像数据，并对影像数据中的水体和非水体部分进行标注；

S200，建立密集型UNet分割网络模型；

S300，使用标注后的训练集数据对密集型UNet分割网络模型进行优化训练；

S400，将测试集数据输入优化后的网络模型，识别测试集影像中的水体区域；

建立所述密集型UNet分割网络模型,包括步骤：

S201，设置跳跃连接的密集块；

S202，在密集块后设置网络的中间流，所述中间流包括多个扩张卷积块，所述扩张卷积块通过不同扩张卷积操作提取影像中不同级别的特征信息并进行融合处理；

S203,使用与网络中编码器相同数量的密集块进行特征解码，使用跳跃连接让一部分编码器的特征图连接到编码器对应的密集块进行上采样，将已编码的特征图恢复到原影像尺寸；

S204，使用损失函数优化网络模型，利用反向传播，在每一个小批量梯度下降训练时更新卷积核权值。

2.根据权利要求1所述的一种基于深度密集神经网络的水体识别方法，其特征在于，设置所述跳跃连接的密集块，包括步骤：

所述密集块包括四个密集层，每个密集层的输出特征图通过跳跃连接到该密集块的最终输出：

X_l＝H([X_l-1,X_l-2,...,X₀])

其中，x_l为第l_th层的输出，使得每一个浅层都与深层直接关联。

3.根据权利要求2所述的一种基于深度密集神经网络的水体识别方法，其特征在于，所述扩张卷积块包括多个3X3卷积核的扩展卷积并列构成，将各个扩展卷积的输出进行融合。

4.根据权利要求3所述的一种基于深度密集神经网络的水体识别方法，其特征在于，所述损失函数采用Dice损失函数：

5.根据权利要求1-4中任一所述的一种基于深度密集神经网络的水体识别方法，其特征在于，在所述步骤S100中对影像数据中的水体和非水体部分进行标注后，得到训练集、验证集和测试集，并将所述训练集、验证集和测试集存储在云端服务器中；

在所述步骤S300中，利用所述训练集输入网络进行训练，调整参数，直到验证集在网络上的损失函数输出降到临界值；在测试集上测试网络，输入测试集得到预测输出，对比预测输出和测试集的标签得到混淆矩阵，经过计算得到准确率。

6.根据权利要求5所述的一种基于深度密集神经网络的水体识别方法，其特征在于，在所述验证集上使用MIoU指标验证网络泛化能力；当训练损失降低至预设标准并且验证MIoU达到预设标准时，返回并储存最佳网络模型。