[发明专利]基于多特征融合深度学习的无人机遥感建筑物提取方法

权利要求书

1.基于多特征融合深度学习的无人机遥感建筑物提取方法，其特征在于，包括以下步骤：

步骤一、顾及视觉注意力机制的建筑物提取优化流程；

建筑物的立体视觉注意特征分析；

建筑物场景的注意力分析方法；

研究无人机遥感不同建筑物目标的语义差异和视觉注意力评估方法，以及不同目标注意力评估方法的对比研究；

从视觉注意力机制角度，建立建筑物提取深度学习的计算策略及优化流程；

步骤二、识别目标注意力强弱评估与排序，根据无人机遥感建筑物提取所需要识别的各类目标，以及对应所建立的建筑物样本库，通过开展步骤一，实现基于深度学习的建筑物视觉注意特征分析方法、以及基于深度学习的视觉注意力评估方法，并利用这些方法对所需要识别的建筑物进行视觉注意力强弱评估与排序，以此作为执行建筑物识别的顺序；

步骤三、基于浅层网络的特征提取，采用孪生神经网络作为基本框架，即利用两个相同子网络的神经网络架构，在训练中权重信息共享，需要更少的参数、不容易出现过拟合，采用一个浅层孪生网络结构，将无人机遥感数据产品的数字正射影像、数字表面模型作为网络输入，其中一支网络提取建筑物的纹理和光谱信息，另一支网络充分挖掘建筑物的空间结构信息；两支网络具有相同的卷积层，经过两次卷积操作后，将两类特征的输出结果合并，最后选用5×5的卷积核进行特征融合；

步骤四、基于密集连接的特征融合；

步骤五、设计编码-解码结构，编码特征，最终解码并网络输出建筑物语义分析结果。

2.根据权利要求1所述的基于多特征融合深度学习的无人机遥感建筑物提取方法，其特征在于，步骤四中，在密集连接结构中，先前所有卷积层的特征映射都与后面层特征有关联，即第L个卷积层能够获取先前所有卷积层(X₀，X₁,X₂，...X_L-1)的特征映射作为输入：

X_L＝F_L([X₀，X₁，X₂,...,X_L-1])；

其中，[X₀，X₁，X₂,...,X_L-1]表示先前所有特征映射的融合，而非线性转换函数F_L包括批归一化层、激活函数和卷积层。

3.根据权利要求2所述的基于多特征融合深度学习的无人机遥感建筑物提取方法，其特征在于，步骤四中，密集连接结构构建了一个增长率降低密集连接结构中特征层的冗余，提高网络结构的效率。

4.根据权利要求1所述的基于多特征融合深度学习的无人机遥感建筑物提取方法，其特征在于，步骤五中，编码结构中包括密集连接块和转换层，前者利用密集连接结构增强特征，后者通过下采样扩大特征感受野进一步提取建筑物的抽象特征；

解码结构中，反卷积的高级特征通过跳跃连接层融合编码结构中低级特征，并利用注意力机制指导低级特征获取不同类型的空间细节信息；

最终，网络输出建筑物语义分析结果。