[发明专利]一种基于卷积神经网络的遥感图像分割方法及装置

权利要求书

1.一种基于卷积神经网络的遥感图像分割方法，其特征在于，包括：

利用地面站服务器根据遥感图像数据集训练卷积神经网络得到训练好的卷积神经网络；训练时，对于所述卷积神经网络的每一层，根据种子卷积核对输入数据进行卷积操作得到对应的种子特征图，根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图，将所述种子特征图和所述映射特征图作为下一层的输入数据；

其中，所述种子卷积核是利用随机种子生成的卷积核，所述种子特征图是利用所述种子卷积核生成的特征图，所述映射特征图是该层中除所述种子特征图外的其他特征图，所述非线性变换的超参数被随机初始化并保存在随机数中；

利用地面站服务器将所述训练好的卷积神经网络中各层对应的所述种子卷积核和所述随机数发送给资源受限的近地轨道卫星；

利用所述近地轨道卫星根据所述种子卷积核和所述随机数部署所述训练好的卷积神经网络，并根据所述训练好的卷积神经网络完成对所捕获的遥感图像的分割任务。

2.根据权利要求1所述的基于卷积神经网络的遥感图像分割方法，其特征在于，利用所述近地轨道卫星根据所述种子卷积核和所述随机数部署所述训练好的卷积神经网络之后还包括：

利用所述近地轨道卫星根据所述种子卷积核和所述随机数更新所述训练好的卷积神经网络。

3.根据权利要求1所述的基于卷积神经网络的遥感图像分割方法，其特征在于，根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图包括：

根据非线性变换函数对所述种子特征图进行非线性变换得到多个映射特征图。

4.根据权利要求3所述的基于卷积神经网络的遥感图像分割方法，其特征在于，所述非线性变换函数为正弦函数。

5.根据权利要求4所述的基于卷积神经网络的遥感图像分割方法，其特征在于，所述正弦函数的参数至少包括：

相位和角频率，相位表示正弦波的偏移量，角频率表示正弦波的振动频率。

6.一种基于卷积神经网络的遥感图像分割装置，其特征在于，包括：

神经网络训练模块，用于利用地面站服务器根据遥感图像数据集训练卷积神经网络得到训练好的卷积神经网络；训练时，对于所述卷积神经网络的每一层，根据种子卷积核对输入数据进行卷积操作得到对应的种子特征图，根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图，将所述种子特征图和所述映射特征图作为下一层的输入数据；

其中，所述种子卷积核是利用随机种子生成的卷积核，所述种子特征图是利用所述种子卷积核生成的特征图，所述映射特征图是该层中除所述种子特征图以外的其他特征图，所述非线性变换的超参数被随机初始化并保存在随机数中；

神经网络数据发送模块，用于利用地面站服务器将所述训练好的卷积神经网络中各对应的所述种子卷积核和所述随机数发送给资源受限的近地轨道卫星；

神经网络部署和使用模块，用于利用所述近地轨道卫星根据所述种子卷积核和所述随机数部署所述训练好的卷积神经网络，并根据所述训练好的卷积神经网络完成对所捕获的遥感图像的分割任务。

7.根据权利要求6所述的一种基于卷积神经网络的遥感图像分割装置，其特征在于，还包括：

神经网络更新模块，用于利用所述近地轨道卫星根据所述种子卷积核和所述随机数更新所述训练好的卷积神经网络。

8.根据权利要求6所述的一种基于卷积神经网络的遥感图像分割装置，其特征在于，神经网络训练模块根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图包括：

神经网络训练模块根据非线性变换函数对所述种子特征图进行非线性变换得到多个映射特征图。

9.根据权利要求8所述的一种基于卷积神经网络的遥感图像分割装置，其特征在于，所述非线性变换函数为正弦函数。

10.根据权利要求9所述的基于卷积神经网络的遥感图像分割装置，其特征在于，所述正弦函数的参数至少包括：

相位和角频率，相位表示正弦波的偏移量，角频率表示正弦波的振动频率。