[发明专利]一种利用数据合成的遥感影像实例分割方法

说明书

本发明属于遥感影像识别领域，具体涉及一种利用数据合成的遥感影像实例分割方法。该方法通过优化构建的实例分割模型以及训练模型的数据集，提高实例分割的可靠性。针对训练数据集的优化利用已知的图像资源进行数据集扩充，并增加了对训练数据集中图像数据的随机亮度与对比度调整，提高了训练数据集的适用性，同时优化了增大缩小图像比例的设置，兼顾大型和小型目标的识别。实例分割模型以Swin Transformer模型作为主干网络，能够充分获取多尺度信息，提高分割的准确性；设置级联预测头，兼顾了预测的稳定性和准确性；并对实例分割模型中RPN网络进行细节优化，调整了候选框比例系数以适应遥感影像常规敏感目标，调整了正则化损失权重以增强模型抗过拟合能力。

技术领域

本发明属于遥感影像识别领域，具体涉及一种利用数据合成的遥感影像实例分割方法。

背景技术

遥感影像目标实例分割在智能交通、环境监测以及城市规划等各领域都发挥了显著作用。近年来，深度学习技术在遥感影像目标实例分割中表现出较好的准确率与效率。其中Mask R-CNN算法是现有主流的实例分割算法，其在保证模型简单灵活的同时能够生成高质量的预测对象类别标签与像素掩模。

基于Mask R-CNN衍生出诸多模型，如Mask Scoring R-CNN、BMask R-CNN、PANet等，但以上模型均以卷积神经网络为基础，因卷积神经网络受卷积核大小限制无法从低层次特征就获取全局信息，故此类模型分割能力有待提升。另一方面，在制作实例分割样本数据时需要人工借助Photoshop、labelme等软件进行边缘采集，耗费大量人力资源，且标注效率低下，导致现有遥感影像实例分割样本集存在数据量小、目标类别单一的问题。

发明内容

本发明的目的在于提供一种利用数据合成的遥感影像实例分割方法，用于解决现有遥感影像实例分割方式对图像信息的提取不全面，分割结果可靠性较低且训练样本集存在数据量小、目标类别单一的问题。

为了实现上述目的，本发明提供了一种利用数据合成的遥感影像实例分割方法，步骤如下：

1)利用遥感影像分割数据集和遥感影像分类数据集构建训练数据集；

2)构建实例分割模型；所述实例分割模型采用Cascade Mask R-CNN模型，CascadeMask R-CNN模型包括有主干网络、FPN网络、RPN网络、ROI Align模块以及级联的预测头；

所述主干网络为Swin Transformer模型，用于得到图像不同尺度大小的特征；所述FPN网络用于对主干网络得到的不同尺度的特征进行上采样和特征拼接，以得到多尺度信息融合的各个尺度特征图；所述RPN网络用于针对各个尺度特征图生成候选框，ROIAlign模块用于对候选框对应的特征图进行裁切并缩放至相同大小；所述级联的预测头用于对ROI Align模块输出的特征图进行按照不同IoU阈值进行级联预测，得到分割结果；

3)通过所述的训练数据集对该实例分割模型进行训练，得到训练后的实例分割模型；

4)将待分割的遥感影像输入训练后的实例分割模型，获取该遥感影像的实例分割结果。

该方法采用Swin Transformer模型作为主干网络，在进行实例分割时能够充分获取多尺度信息，提高分割的准确性；且级联预测的每个预测头都在上一级预测生成边界框结果的基础上进行更高要求的预测，兼顾了预测结果的稳定性和准确性。同时，该方法利用已知的图像资源进行数据集扩充，因此增强了数据集适用能力，避免了由于数据集中环境信息缺乏、目标过于稀疏，使得训练集与待分割的遥感影像存在较大分布差异，导致出现分割结果不可靠的问题。

进一步地，训练数据集的构建过程如下：

选择遥感影像分割数据集中的目标图像，从遥感影像分类数据集中选择背景图像，将所述目标图像拼接到背景图像中得到合成图像数据，利用合成图像数据构建训练数据集。