[发明专利]一种基于Mask RCNN遥感影像分割方法

权利要求书

1.一种基于Mask RCNN遥感影像分割方法，其特征在于，包括以下步骤：

获取可变形卷积层，并实现可变形卷积替换Mask RCNN主干网络的标准卷积；

结合FPN融合底层到高层的特征作为特征输出；

RPN获取特征输出生成建议区域，进行特征提取；

ROIAlign进行特征图不同点采样，并应用双线性插值获取尺寸为7X7的感兴趣区域；

分支网络获取边界区域信息、类别信息和掩膜信息。

2.根据权利要求1所述的基于Mask RCNN遥感影像分割方法，其特征在于，所述可变形卷积层，包括以下步骤：

将输入特征图记为U，经过一个普通的卷积层，输出与输入的大小保持不变，但输出深度扩大两倍，输出结果记为V；

将原始输入U的像素索引分别与V中的偏置量相加，得到偏置后的像素索引，其中索引限定在输入特征图大小以内，索引为坐标值，且通过双线性插值获得准确的像素；

根据索引重新整合像素，得到输出特征图。

3.根据权利要求1所述的基于Mask RCNN遥感影像分割方法，其特征在于，所述RPN获取特征输出生成建议区域，进一步包括：

对锚点的位置和大小增量进行回归，包括以下步骤：

使用向量(x,y,w,h)表示边界，P代表原始边界，G代表目标的准确边界，回归计算得到接近目标准确边界的预测边界g；

对(x,y)进行平移，(w,h())进行缩放，得到：

其预测增量表示为：d_*(P)＝(d_x(P),d_y(P),d_w(P),d_h(P))；

其真实增量表示为：t_*＝(t_x,t_y,t_w,t_h)，表示为：

与网络进行联系后表示为：d_*(P)＝w_*φ(P)，其中φ(P)是边界的特征向量，w_*是训练需要学习的参数，其预测增量最接近真实增量，损失函数定义为：

4.根据权利要求1所述的基于Mask RCNN遥感影像分割方法，其特征在于，所述分支网络包括语义分割分支网络，其损失函数表示为：

L＝L_cls+L_box+L_mask

其中，L_cls表示目标的分类损失值，L_box表示边界区域的回归损失值，L_mask表示掩膜Mask部分的损失值。