[发明专利]一种基于渐进监督的遥感影像居民区提取方法

权利要求书

1.一种基于渐进监督的遥感影像居民区提取方法，本方法在训练阶段，首先利用具有图像级标签的遥感影像数据集完成分类卷积神经网络训练，建立弱监督遥感影像显著性分析模型，生成伪标签显著图，其次，将伪标签显著图作为像素级标注，训练基于强监督学习的自纠错反馈卷积神经网络，同时引入反馈卷积模块并以侧向输出显著图作为监督，生成多尺度显著图，将多尺度显著图进行自适应融合，得到融合后显著图，再次，计算二值混淆热图，获得降噪损失函数，实现网络的参数更新，通过强监督学习完成自纠错反馈卷积神经网络的训练，在测试阶段，使用基于强监督学习的自纠错反馈卷积神经网络，生成待测试遥感影像的最终显著图，通过最大类间方差法对最终显著图进行阈值分割，完成待测试遥感影像的居民区提取，其特征在于，包括以下步骤：

步骤一：利用具有图像级标签的遥感影像数据集，对分类卷积神经网络进行训练，通过该网络计算遥感影像数据集中每幅影像属于前景类遥感影像与背景类遥感影像的概率，其中前景类遥感影像为包含居民区的遥感影像，背景类遥感影像为不包含居民区的遥感影像；

步骤二：利用训练好的分类卷积神经网络计算前景类遥感影像的梯度加权的类别激活图谱，并将其作为伪标签显著图，实现弱监督遥感影像显著性分析，即，首先将前景类遥感影像输入步骤一构建好的分类卷积神经网络，由该网络的最后一个卷积层输出多通道特征图，然后计算输出层神经元对于多通道特征图各通道的梯度响应，并将该梯度响应作为自适应权重，用于对多通道特征图进行加权平均，得到伪标签显著图；

步骤三：构建基于强监督学习的自纠错反馈卷积神经网络，计算前景类遥感影像的多尺度显著图，即，为基于强监督学习的自纠错反馈卷积神经网络的反馈卷积模块设定迭代次数T，在网络前向传播阶段提取输入影像的底层特征，将该底层特征与反馈卷积模块第t-1次迭代输出的特征图共同输入反馈卷积模块，得到第t次迭代的侧向输出显著图，t为从0到T的整数，经过T次迭代，获得侧向输出显著图集合，构成前景类遥感影像的多尺度显著图；

步骤四：构建自适应融合层，在该层中将步骤三得到的前景类遥感影像的多尺度显著图进行自适应融合，生成融合后显著图；

步骤五：利用伪标签显著图、侧向输出显著图集合与融合后显著图计算降噪损失函数，即，分别计算步骤二中的伪标签显著图、步骤三中的侧向输出显著图与步骤四中的融合后显著图的二值混淆热图，利用伪标签显著图的二值混淆热图与第t次迭代产生的侧向输出显著图的二值混淆热图，计算第t次迭代的降噪损失函数，利用伪标签显著图的二值混淆热图与融合后显著图的二值混淆热图，计算自适应融合层的降噪损失函数，然后，将T次迭代得到的T个降噪损失函数与自适应融合层的降噪损失函数之和，作为自纠错反馈卷积神经网络的损失函数，用于对基于强监督学习的自纠错反馈卷积神经网络进行训练；

步骤六：在基于强监督学习的自纠错反馈卷积神经网络训练完成后，在测试阶段，将待测试遥感影像输入到训练好的网络，得到待测试遥感影像的最终显著图；

步骤七：利用最大类间方差法，对待测试遥感影像的最终显著图进行阈值分割，并得到分割阈值，利用该阈值将遥感影像的最终显著图分割为一幅二值图像模板，用“1”代表居民区，用“0”代表非居民区，最后将二值图像模板与待测试遥感影像相乘，得到待测试遥感影像的居民区提取结果。