[发明专利]基于深度学习的遥感图像舰船尺寸一体化提取方法有效
申请号: | 202010979653.4 | 申请日: | 2020-09-17 |
公开(公告)号: | CN112102394B | 公开(公告)日: | 2021-05-28 |
发明(设计)人: | 任沂斌;李晓峰;高乐;张旭东;刘颖洁 | 申请(专利权)人: | 中国科学院海洋研究所 |
主分类号: | G06T7/62 | 分类号: | G06T7/62;G06N3/04;G06N3/08 |
代理公司: | 青岛海昊知识产权事务所有限公司 37201 | 代理人: | 刘艳青 |
地址: | 266071*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 遥感 图像 舰船 尺寸 一体化 提取 方法 | ||
1.一种基于深度学习的遥感图像舰船尺寸一体化提取方法,其特征在于,该方法包括以下步骤:
S1:构建遥感图像舰船尺寸训练集:获取遥感数据并进行预处理,获取船舶数据,将该两组数据相结合建立遥感图像中的舰船尺寸训练集;
S2:构建基于深度学习的遥感图像舰船尺寸一体化提取模型;
S3:模型训练:用S1构建的训练集对S2中构建的模型进行训练,将训练好的模型进行遥感图像的舰船尺寸提取;
所述S2中,包括以下步骤:
(1)舰船外包矩形初步提取模型
以深度神经网络Faster RCNN为基础,在目标外接矩形生成网络Region ProposalNetwork,RPN中增加方位角,生成旋转的舰船外接矩形Rotated-RPN,建立旋转的深度神经网络Rotated Faster RCNN;基于Rotated Faster RCNN识别遥感图像中舰船的旋转最小外包矩形Rotated Minimum Bounding Rectangle,RMBR,初步获得舰船的长和宽尺寸,即形成舰船外包矩形初步提取模型;
(2)舰船长、宽尺寸精确估计模型
以初提舰船长宽信息、遥感图像空间信息和遥感图像背景环境信息为输入,基于深层神经网络构建对舰船的长、宽尺寸精确估计模型;
(3)模型连接
将舰船外包矩形提取模型与舰船长、宽尺寸精确估计模型连接,形成基于深度学习的遥感图像舰船长、宽提取一体化模型;对模型进行训练,得到最优模型参数组合。
2.如权利要求1所述的遥感图像舰船尺寸一体化提取方法,其特征在于,所述提取方法还包括S4:模型测试,即对S3训练好的模型进行精度测试,评估模型效果。
3.如权利要求1所述的遥感图像舰船尺寸一体化提取方法,其特征在于,所述S1中对遥感数据进行辐射校正、几何校正预处理。
4.如权利要求1所述的遥感图像舰船尺寸一体化提取方法,其特征在于,所述S2中,原始遥感图像通过卷积神经网络对遥感图像进行Embedding,通过定义池化层来保留遥感图像中的背景信息,将Embedding后的信息,包括遥感图像空间信息和遥感图像背景环境信息,输入深度神经网络中;初步提取的舰船的长和宽尺寸也输入到深层神经网络中,经过神经网络变化得到舰船的精确长宽尺寸,从而形成舰船长、宽尺寸精确估计模型。
5.如权利要求1所述的遥感图像舰船尺寸一体化提取方法,其特征在于,所述S3中,多次迭代训练模型,直至S2中模型的所有训练参数均达到最优。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院海洋研究所,未经中国科学院海洋研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010979653.4/1.html,转载请声明来源钻瓜专利网。