[发明专利]融合改进UNet和SegNet的遥感图像语义分割方法

权利要求书

1.一种融合改进UNet和SegNet的遥感图像语义分割方法，其特征在于，包括如下步骤：

S10，将批处理规范化加在UNet神经网络的卷积层和激活层中间，采用ELU激活函数代替ReLU激活函数，采用训练二分类的方式分别训练每一个语义分割类别，将各个二分类训练的模型进行合并，以得到改进UNet神经网络；

S20，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络；

S30，融合所述改进UNet神经网络和改进SegNet神经网络，得到遥感图像语义分割模型，采用所述遥感图像语义分割模型对遥感图像进行语义分割。

2.根据权利要求1所述的融合改进UNet和SegNet的遥感图像语义分割方法，其特征在于，所述ReLU激活函数包括：

其中，x表示输入量。

3.根据权利要求1所述的融合改进UNet和SegNet的遥感图像语义分割方法，其特征在于，所述ELU激活函数包括：

其中，x表示输入量，a表示随机参数。

4.根据权利要求1所述的融合改进UNet和SegNet的遥感图像语义分割方法，其特征在于，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络包括：

为了提高位置信息的保留度，引入短路链接，在SegNet神经网络的pool1、pool2和pool3后引入前面设定层(inputs,pool)的输出进行合并，分别将前面设定层的输入直接连接到后面的SegNet神经网络中一起训练；

SegNet神经网络的编码过程分为四个部分，均由两个3×3的卷积层和一个2×2的池化层组成，解码过程同样也分为四个部分，由一个2×2的反卷积层和两个3×3的卷积层组成，之后在SegNet神经网络的末端加入了一个卷积操作，再连接一个softmax分类器，使该SegNet神经网络共有9次卷积操作和8次反卷积操作，所有的卷积以及反卷积均采用3×3的卷积核，滑动步长为1，池化操作均采用max池化的方法，采用2×2的滑动窗口，步长为2，以得到改进SegNet神经网络。

5.根据权利要求1所述的融合改进UNet和SegNet的遥感图像语义分割方法，其特征在于，融合所述改进UNet神经网络和改进SegNet神经网络，得到遥感图像语义分割模型包括：

在分别对改进UNet神经网络和改进SegNet神经网络进行训练以后，将其训练结果进行连接，加入一个softmax分类器，形成一个新的分割模型，得到遥感图像语义分割模型。