申请/专利权人：青岛星科瑞升信息科技有限公司

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117746130A

主分类号：G06V10/764

分类号：G06V10/764;G06V20/10;G06V10/82;G06V10/26;G06N3/0464;G06N3/0455;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及遥感图像处理技术领域，具体地说是一种基于遥感影像点状语义标签的弱监督深度学习分类方法，包括数据准备，模型参数设置，弱监督神经网络构建，基于超像素的迭代样本扩充，模型重复训练。本发明同现有技术相比，将边缘检测和模糊等传统图像处理技术融入弱监督深度学习中，有效地学习了边缘和光谱语义细节，同时减少噪声对分类结果的影响。并利用来自超像素和伪标签的上下文信息来丰富弱监督标签中的有价值信息，从而提高模型的分类性能。通过上述结构可以有效解决弱监督遥感影像分类中注释信息利用不完全、受噪声影响严重以及分类精度较低等问题。

主权项：1.一种基于遥感影像点状语义标签的弱监督深度学习分类方法,其特征在于,包括以下步骤:S1,数据准备以及数据增强:S1-1:所选择的遥感影像数据仅包含红、绿、蓝三个可见光波段；标签为包含多个地表覆盖类别的弱监督语义标签,标签中仅有极少数的像素点的类别信息是已知的；S1-2:确定影像分割尺寸img_size以及剪裁步长step,所有的数据和标签在使用前均被剪裁为img_size×img_size大小的图像块；S1-3:通过模糊、添加椒盐噪声的方式扩充样本数量；S1-4:确定模型训练数据集和验证数据集的样本数量；S2,模型参数设置:S2-1:确定网络学习率、优化迭代次数以及模型优化器Adam；S2-2:确定深度学习模型中编码和解码部分的下采样层数量为3和上采样层数量为2；S3,基于所述S2中的参数设置弱监督语义分割网络Pixel-Net,并使用所述S1中准备的训练数据完成模型的训练,所述Pixel-Net包括以下组件:输入层,用于接收遥感影像作为输入；多个级联的边缘增强模块和最大值下采样层:边缘增强模块被用于扩充特征的感受野、进一步挖掘特征的边缘信息；多尺度特征组合:用于组合空间分辨率不同的多尺度深度特征；解码器:用于将特征图的分辨率恢复至原始图像的大小,解码器包含两个上采样层和三个卷积块组成；多尺度模糊模块:用于解决检测结果中严重的噪声干扰问题；该模块通过采用不同尺度的上采样和下采样层,有效地控制图像中的高频信息,减轻不同尺度噪声对分类结果的影响；分类器:用于组合感受野不同的上采样特征,并通过卷积获得软概率图,进而完成遥感影像分类；S4,基于超像素的迭代样本扩展:S4-1:采用SLIC方法对遥感图像进行超像素分割；S4-2:利用现有的点标注语义标签和基于S3所述的Pixel-Net模型对图像进行预测分类,获得图像的初步分类结果,并作为之后的伪标签使用；S4-3:基于超像素的样本扩充:利用超像素分割的结果、已有的点注释语义标签和生成的伪标签对标签进行扩展；S5:模型重复训练:使用所述S4的样本扩充方法生成的新标签重新训练S3所述的Pixel-Net模型,然后基于验证数据对样本扩充前后的模型精度进行对比,如果模型精度不再变化则认为模型已经稳定,不需要再进行所述S4的样本扩充；如果模型精度仍有提高,则继续进行所述S4的样本扩充,直至模型稳定为止；S6:输出稳定的模型,并用于进行遥感影像语义分割。

全文数据：

权利要求：

百度查询： 青岛星科瑞升信息科技有限公司 一种基于遥感影像点状语义标签的弱监督深度学习分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD