[发明专利]基于深度学习分割网络的地物目标识别方法和装置

权利要求书

1.一种基于深度学习分割网络的地物目标识别方法，其特征在于，包括：

获取当前遥感影像，所述当前遥感影像包括多个待识别的地物目标；

将所述当前遥感影像输入预先训练的地物目标识别模型，其中，所述地物目标识别模型为multi-Unet网络结构的模型，包括收缩路径、扩展路径和分类层，所述收缩路径包括多个重复结构，每一个重复结构包括卷积层、修正线性单元和最大池化层以完成下采样，在每一次下采样操作中，都把特征通道的数量翻倍，所述扩展路径与所述收缩路径的结构对应，包括多个重复结构，每一个重复结构包括反卷积层、修正线性单元和反向传播层以完成上采样，在每一次上采样过程中，先将特征通道数量减半，然后将所述收缩路径中对应的裁剪过的特征图与反卷积的结果进行拼接，所述分类层用于输出对输入的遥感影像的识别结果及对应的概率；

根据对遥感影像的识别结果及对应的概率输出从所述当前遥感影像中识别出的地物目标。

2.根据权利要求1所述的基于深度学习分割网络的地物目标识别方法，其特征在于，所述地物目标识别模型通过以下方式获得：

以预设数量的高分辨率的遥感影像为训练样本集，对所述训练样本集中的训练样本进行区域标注，标注出所述训练样本中的地物目标所在的图像区域；

将所述训练样本集中的训练样本输入到预先建立的深度学习分割网络模型，对所述训练样本集中的训练样本进行学习，输出训练样本中的地物目标所在的图像区域，当输出的训练样本中的地物目标所在的图像区域与标注的训练样本中的地物目标所在的图像区域的差异度大于预设阈值时，对深度学习分割网络模型的参数进行修正；

重复上述过程，直到输出的训练样本中的地物目标所在的图像区域与标注的训练样本中的地物目标所在的图像区域的差异度小于预设阈值。

3.根据权利要求2所述的基于深度学习分割网络的地物目标识别方法，其特征在于，所述训练样本集中的训练样本包括不同季节采集到的高分辨率的遥感影像。

4.根据权利要求3所述的基于深度学习分割网络的地物目标识别方法，其特征在于，还包括：

在所述训练样本集的训练样本中预先添加季节标签；

所述输出从所述当前遥感影像中识别出的地物目标，包括：

输出从所述当前遥感影像中识别出的带有季节标签的地物目标。

5.根据权利要求4所述的基于深度学习分割网络的地物目标识别方法，其特征在于，还包括：

对所述训练样本集中的训练样本进行数据增强，具体包括将训练样本做随机旋转、镜像操作、模糊处理、增加噪声中的一种或多种。

6.根据权利要求5所述的基于深度学习分割网络的地物目标识别方法，其特征在于，还包括：

对所述训练样本集中的训练样本和所述当前遥感影像进行大气误差校正处理。

7.根据权利要求1至6任一项所述的基于深度学习分割网络的地物目标识别方法，其特征在于，还包括：

在训练过程中，采用 Adagrad 算法对所述地物目标识别模型的各个参数分配不同学习率，其公式如下:

其中g_t，i为t时刻下θ_i的梯度，α为学习速率，θ_i为所述地物目标识别模型的参数，i为所述地物目标识别模型的层数，G_t，ii为t时刻下i层的累计梯度的平方和，ε为小正数。