[发明专利]基于多分支级联空洞空间金字塔的高分辨遥感图像的道路提取方法

权利要求书

1.一种基于多分支级联空洞空间金字塔的高分辨率遥感图像的道路提取方法，其特征在于，包括以下步骤：

S1，数据预处理，对Massachusetts数据集里面的数据进行数据扩增，输入数据为Massachusetts数据集中的高分辨率遥感道路图像，输出数据为经过数据扩增的高分辨遥感道路图像，其中所述的数据扩增方式包括平移，旋转，水平翻转，HSV空间变化；

S2，搭建模型，使用卷积神经网络提取遥感道路图像的特征图，结合多分支级联空洞空间金字塔来提取道路图像上的特征信息，多分支级联空洞空间金字塔对所给定的输入以不同空洞比率的级联空洞卷积进行并行采样，因为采取了不同空洞比率的空洞卷积，每一种不同空洞比率的空洞卷积所得到的感受野都不相同，加上卷积降维分支和自适应池化分支，相当于以多种方式捕捉图像的上下文信息；

S3，设计损失函数来优化网络参数，并且建立评估指标F1和评估指标MIOU，来对模型的输出结果进行评估；

S4，用训练好的模型在测试样本集上进行测试，经过网络模型的特征提取和特征上采样来得到最终的分割图像；

多分支级联空洞空间金字塔池化模块融合四种不同金字塔尺度的特征，对第一个分支自适应池化分支进行构造，构造一个卷积核为其本身大小的自适应全局池化，第一个分支是最粗糙级别的单个全局池化输出，其卷积计算定义为：

其中n为输入的特征图大小，k表示卷积核大小，p表示为填充范围，s表示卷积步长，因为是单个全局池化，所以这时的k为输入的特征图大小n，p默认为0，s默认为1，卷积完成之后接一个BN层和一个Relu层；

第二个分支为卷积降维分支，构造这个分支使用了标准的1x1的卷积，主要作用是为了降低特征图的维度，使之与剩下三个分支能够进行维度叠加，这个分支相当于原始特征图的特征信息，其他三个分支都在此特征图上进行的进一步特征提取，换个角度说，此分支拥有更多的浅层信息，卷积完成之后接一个BN层和一个Relu层；

第三个分支是空洞卷积的偶数次级联，分别构建三个空洞比率不同的空洞卷积模块，空洞比率分别为2，4，8，每个空洞卷积模块之后接一个Relu层，将三个不同空比率的卷积模块级联起来，每经过一次空洞卷积模块，都能较大的提高输出特征图的感受野大小，当把普通卷积变成空洞卷积时，其卷积输出的计算定义如下：

其中n为输入的特征图大小，k表示卷积核大小，p表示填充范围的大小，s表示卷积步长，d表示空洞比率；特别地，为了保持输出的特征图大小保持不变，对于3*3的卷积核，如果p＝d，s＝1,则根据上述公式，则输出特征图尺寸大小不改变；

具体的，带dilation的感受野计算定义如下：

F(i,j-1)＝(F(i,j)-1)×s+d×(k-1)+1

其中F(i,j)表示第i层对第j层的局部感受野，k表示卷积核大小，s表示卷积步长，d表示的空洞比率，从上述公式中可以看出，d越大，感受野就越大；

第四个分支是空洞卷积的奇数次级联，分别构建三个空洞比率不同的空洞卷积模块，空洞比率分别为3，5，9，每个空洞卷积模块之后接一个Relu层；对于空洞卷积来说，如果级联的空洞卷积的空洞比率都是偶数，或者都是奇数，能够更有效的提取特征图像的特征信息，分别单独构建了一个空洞卷积的偶数次级联和一个空洞卷积的奇数次级联；

不同的金字塔分支将特征映射划分为不同的子区域，能够输出针对金字塔池化模块中不同位置不同级别不同大小的特征映射，为了维护全局特性的权重，如果金字塔共有N个级别，则在每个级别后使用1×1卷积，将对应级别的通道数量降为原本的1/N，然后通过双线性插值直接对低维特征图进行上采样，得到与原始特征映射相同尺寸的特征图，最后，将不同级别的特征维度叠加起来，作为最终的金字塔池化全局特性输出；

金字塔层级的数量和每一层的大小都可以进行调整，输出尺寸大小与输入金字塔池化层的特征映射的大小有关，该结构通过在几个分支中进行不同尺寸的池化来对不同的子区域实现抽样，因此，从表示性上来看，每个分支的卷积大小应该保持合理的差距。