一种提高小目标分割精度的综合方法技术

本发明专利技术涉及遥感影像技术领域，且公开了一种提高小目标分割精度的综合方法，所述综合方法包括以下步骤：S1、构建提拉米苏编码‑解码深度卷积网络，基于典型自然图像样本训练网络进行参数迁移；S2、选取某种类型地物的任意样本作为数据增广的参考风格，将其他样本输入编码‑解码结构生成风格相同内容相异的多个同类型样本；S3、针对其他类型样本进行数据增广，保证不同类型地物的样本数量达到均衡。该提高小目标分割精度的综合方法，提拉米苏编码‑解码深度卷积网络可进行参数缩减，模型学习参数少、训练速度快，风格迁移数据增广技术保证了不同类型样本的均衡性，使得样本代表性更加充分，训练后的模型对于多种地物均具有很好的分割精度。

【技术实现步骤摘要】
一种提高小目标分割精度的综合方法
本专利技术涉及遥感影像
，具体为一种提高小目标分割精度的综合方法。
技术介绍
遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，基于多分辨率遥感影像进行房屋、道路、水系、公园、机场等多种目标综合提取时，背景信息通常占比较大，另外某些特殊目标样本数量通常较少，导致深度学习模型训练过程容易偏向背景，对于目标地物特别是小范围的特殊目标的提取效果很差，无法获取精确的分割边界，为此我们提出了一种提高小目标分割精度的综合方法。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种提高小目标分割精度的综合方法，具备改善多种遥感地物样本的均衡性，优化深度学习模型训练过程以增强模型对小目标的注意力，从而提升模型性能和对小目标的分割精度等优点，解决了上述
技术介绍
中所提出的问题。(二)技术方案本专利技术提供如下技术方案：一种提高小目标分割精度的综合方法，所述综合方法包括以下步骤：S1、构建提拉米苏编码-解码深度卷积网络，基于典型自然图像样本训练网络进行参数迁移。S2、选取某种类型地物的任意样本作为数据增广的参考风格，将其他样本输入编码-解码结构生成风格相同内容相异的多个同类型样本。S3、针对其他类型样本进行数据增广，保证不同类型地物的样本数量达到均衡。S4、在深度学习模型残差连接模块中嵌入光谱注意力通道和空间注意力通道。S5、使用均衡化后的多地物混合样本训练深度学习模型。优选的，该技术可应用于高分辨率遥感影像目标提取，特别是用于提取农田灌溉设施、屋顶太阳能电板、加油站和小型工厂面积占比小的特殊目标。优选的，所述步骤S2中，然后改变参考输入，重新生成新样本。优选的，所述步骤S5中，模型损失函数定义为Focalloss和Diceloss组合，在分组训练阶段根据组内不同地物样本的比例调整Focalloss和Diceloss函数的比例系数。优选的，注意力机制在光谱通道和特征平面针对性地捕捉目标区域的特征，从而抑制背景信息，提高深度学习模型对目标的辨识能力。优选的，混合损失函数根据训练样本的分布情况动态调整梯度传输方向，引导模型提高对于小范围目标的分割精度。优选的，该技术可应用于高分影像农村房屋提取和农田灌溉设施识别。优选的，在利用深度学习模型进行屋顶太阳能电板分割应用中，某些屋顶太阳能电板面积占比极小，模型能够精确地分割出太阳能电板边界。优选的，该方法可改善多种遥感地物样本的均衡性，优化深度学习模型训练过程以增强模型对小目标的注意力，从而提升模型性能和对小目标的分割精度该方法可改善多种遥感地物样本的均衡性，优化深度学习模型训练过程以增强模型对小目标的注意力，从而提升模型性能和对小目标的分割精度。与现有技术相比，本专利技术提供了一种提高小目标分割精度的综合方法，具备以下有益效果：1、该提高小目标分割精度的综合方法，提拉米苏编码-解码深度卷积网络可进行参数缩减，模型学习参数少、训练速度快。2、该提高小目标分割精度的综合方法，风格迁移数据增广技术保证了不同类型样本的均衡性，同时避免了同类样本的简单重复，使得样本代表性更加充分，训练后的模型对于多种地物均具有很好的分割精度。3、该提高小目标分割精度的综合方法，注意力机制在光谱通道和特征平面针对性地捕捉目标区域的特征，从而抑制背景信息，提高深度学习模型对目标的辨识能力。4、该提高小目标分割精度的综合方法，混合损失函数根据训练样本的分布情况动态调整梯度传输方向，引导模型提高对于小范围目标的分割精度。附图说明图1为本专利技术风格迁移数据增广技术和提拉米苏编码-解码技术示意图；图2为本专利技术三维空间注意力技术和混合损失优化技术示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1-2，一种提高小目标分割精度的综合方法，所述综合方法包括以下步骤：S1、构建提拉米苏编码-解码深度卷积网络，基于典型自然图像样本训练网络进行参数迁移。S2、选取某种类型地物的任意样本作为数据增广的参考风格，将其他样本输入编码-解码结构生成风格相同内容相异的多个同类型样本；然后改变参考输入，重新生成新样本。S3、针对其他类型样本进行数据增广，保证不同类型地物的样本数量达到均衡。S4、在深度学习模型残差连接模块中嵌入光谱注意力通道和空间注意力通道。S5、使用均衡化后的多地物混合样本训练深度学习模型，模型损失函数定义为Focalloss和Diceloss组合，在分组训练阶段根据组内不同地物样本的比例调整Focalloss和Diceloss函数的比例系数。该方法可改善多种遥感地物样本的均衡性，优化深度学习模型训练过程以增强模型对小目标的注意力，从而提升模型性能和对小目标的分割精度。该提高小目标分割精度的综合方法，在用计算机处理对遥感图像进行处理时，被处理的遥感图像必须是以摄影方式获取的模拟图像，且必须用图像扫描仪等进行模/数(A/D)转换；以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上，计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入，输出，校正，变换，分类等功能)构成。图像处理的内容主要包括校正、变换和分类，摄影成像是通过成像设备获取物体的影像技术。传统摄影成像是依靠光学镜头及放置在焦平面的感光胶片来记录物体影像。数字摄影则通过放置的焦平面的光敏元件，经光/电转换，以数字信号来记录物体的影像。本技术体系包括以下技术：1、风格迁移数据增广技术(如图1)；2、提拉米苏编码-解码技术(如图1)；3、三维空间注意力技术(如图2)；4、混合损失优化技术(如图2)。该技术应用于高分影像农村房屋提取和农田灌溉设施识别，尽管应用场景中遥感背景信息占比较大，但是模型对目标地物具有很好的识别度；在利用深度学习模型进行屋顶太阳能电板分割应用中，某些屋顶太阳能电板面积占比极小，模型能够精确地分割出太阳能电板边界。该方法具有以下优点：1)提拉米苏编码-解码深度卷积网络可进行参数缩减，模型学习参数少、训练速度快；2)风格迁移数据增广技术保证了不同类型样本的均衡性，同时避免了同类样本的简单重复，使得样本代表性更加充分，训练后的模型对于多种地物均具有很好的分割精度；3)注意力机制在光谱通道和特征平面针对性地捕捉目标区域的特征，从而抑制背景信息，提高深度学习模型对目标的辨识能力；4)混合损失函数根据训练样本的分布情况动态调整梯度传输方向，引导模型提高对于小范围目标的分割精度。尽管本文档来自技高网...

【技术保护点】
1.一种提高小目标分割精度的综合方法，其特征在于：所述综合方法包括以下步骤：/nS1、构建提拉米苏编码-解码深度卷积网络，基于典型自然图像样本训练网络进行参数迁移；/nS2、选取某种类型地物的任意样本作为数据增广的参考风格，将其他样本输入编码-解码结构生成风格相同内容相异的多个同类型样本；/nS3、针对其他类型样本进行数据增广，保证不同类型地物的样本数量达到均衡；/nS4、在深度学习模型残差连接模块中嵌入光谱注意力通道和空间注意力通道；/nS5、使用均衡化后的多地物混合样本训练深度学习模型。/n

【技术特征摘要】
1.一种提高小目标分割精度的综合方法，其特征在于：所述综合方法包括以下步骤：
S1、构建提拉米苏编码-解码深度卷积网络，基于典型自然图像样本训练网络进行参数迁移；
S2、选取某种类型地物的任意样本作为数据增广的参考风格，将其他样本输入编码-解码结构生成风格相同内容相异的多个同类型样本；
S3、针对其他类型样本进行数据增广，保证不同类型地物的样本数量达到均衡；
S4、在深度学习模型残差连接模块中嵌入光谱注意力通道和空间注意力通道；
S5、使用均衡化后的多地物混合样本训练深度学习模型。


2.根据权利要求1所述的一种提高小目标分割精度的综合方法，其特征在于：该技术可应用于高分辨率遥感影像目标提取，特别是用于提取农田灌溉设施、屋顶太阳能电板、加油站和小型工厂面积占比小的特殊目标。


3.根据权利要求1所述的一种提高小目标分割精度的综合方法，其特征在于：所述步骤S2中，然后改变参考输入，重新生成新样本。


4.根据权利要求1所述的一种提高小目标分割精度的综合方法，其特征在于：所述步骤S5中，模型损失函数定义为Focalloss和Diceloss组合，在分组训练...

【专利技术属性】
技术研发人员：刘昱君，石善球，张浩，王丹，李明巨，潘九宝，朱映，姚凌，秦军，吕宁，刘唐，姜侯，司存友，徐文桂，
申请(专利权)人：江苏省基础地理信息中心，
类型：发明
国别省市：江苏;32