[发明专利]一种基于多尺度残差卷积神经网络的道路提取方法

权利要求书

1.一种基于多尺度残差卷积神经网络的道路提取方法，其特征在于，包括以下步骤：

步骤1：输入带标签的遥感影像训练数据集；

步骤2：利用改进神经网络对带标签的道路数据集进行卷积训练；

步骤2.1：对于给定的输入训练样本，采用多尺度卷积；

步骤2.2：由步骤2.1得到的多尺度分层特征进行残差连接，得到新的特征层；

步骤2.3：对步骤2.2得到的特征层进行全局均值池化：

步骤3：网络训练；

步骤3.1：数据扩充；

步骤3.2：参数设置，采用Adam优化算法，交叉熵损失函数和Sigmoid激活函数训练网络。

2.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法，其特征在于，所述步骤2.1包括：

步骤2.1.1：初始化模型参数：

θ_s＝θ₀,s∈{1,2,…N}

其中，θ_s为网络模型内部初始参数，θ₀为模型的初始化参数；

步骤2.1.2：对原始影像进行多尺度卷积学习，得到多尺度分层特征；在S种尺度中，对于由L个阶段组成的多尺度卷积神经网络f_S，其公式如下：

f_s(X_s,θ_s)＝Pool(Relu(BN(W_L×H_L+b_L)))

其中，Pool为最大池化函数；Relu表示激活函数；BN函数为Batch Normalsize；W_L表示第L个阶段的权值矩阵，H_L-1为第L-1个阶段的输出，且H₀＝X_S；b_L为卷积核中的偏置参数；由W_l和b_l共同完成对网络模型中训练参数s的更新，各隐藏阶段l之间的计算输出表示为：

H＝Relu(BN(W*H+b)),l∈{1,2,…，L-1}

步骤2.1.3：将S种卷积神经网络的输出特征图融合在一起，生成3维特征矩阵F。

3.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法，其特征在于，所述步骤2.3包括：

步骤2.3.1：将步骤2.2中得到的特征图以一维特征点的形式输出；

步骤2.3.2：将步骤2.3.1得到的特征点作为全连接层的输入数据，对特征信息进行重新拟合，并利用分类函数对像素进行分类，得到道路提取结果。

4.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法，其特征在于，所述步骤3.1包括：

步骤3.1.1：通过随机多角度旋转(90，180，270)和镜像映射(水平镜像和垂直镜像)扩充数据；

步骤3.1.2：将扩充边界后的影像(1536×1536)按照96×96的尺寸裁剪；

步骤3.1.3：根据训练样本中二值图计算正负样本所占比例，对正负样本比失调的训练集，应用过采样方法将步幅设置为2个像素检测是否为道路区域，均衡正负样本比例，经数据集扩充之后，训练数据量至少在6倍以上。