[发明专利]多层神经网络模型训练、道路特征识别的方法和装置

说明书

本申请公开了多层神经网络模型训练、道路特征识别的方法和装置以及电子设备。方法的一具体实施方式包括：确定遥感图像训练样本集包括的遥感图像的道路标注数据中属于道路的像素以及遥感图像中道路的宽度值；根据道路的宽度值对遥感图像中属于道路的像素进行响应加权处理，获得更新后遥感图像训练样本集，属于道路的像素的不同响应权重表示在神经网络训练过程中像素的特征被学习的不同概率；基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。该实施方式能够训练用于识别遥感图像中的道路特征的多层神经网络模型，并采用该多层神经网络模型识别待检测的遥感图像中的道路特征，然后生成道路图。

技术领域

本申请涉及计算机技术领域，具体涉及遥感技术领域，尤其涉及多层神经网络模型训练、道路特征识别的方法和装置。

背景技术

地图的更新，尤其是路网的更新在经济建设、军事、抗震救灾等领域具有重大意义。从卫星或航拍的遥感影像中提取道路具有效率高、速度快，覆盖广等优点。传统的方法通常利用人工从遥感影像中提取道路。

发明内容

本申请的目的在于提出一种改进的多层神经网络模型训练、道路特征识别的技术方案。

第一方面，本申请提供了一种多层神经网络模型训练方法，该方法包括：确定遥感图像训练样本集包括的遥感图像的道路标注数据中属于道路的像素以及遥感图像中道路的宽度值；根据道路的宽度值对遥感图像中属于道路的像素进行响应加权处理，获得更新后遥感图像训练样本集，属于道路的像素的不同响应权重表示在神经网络训练过程中像素的特征被学习的不同概率；基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。

在一些实施例中，根据道路的宽度值对遥感图像中属于道路的像素进行响应加权处理，包括：根据道路的宽度值将遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值负相关。

在一些实施例中，根据道路的宽度值将遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值负相关，包括：将遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值线性负相关；或将遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值之间非线性负相关。

在一些实施例中，方法还包括：将遥感图像中属于道路的像素的响应权重调整为大于遥感图像中不属于道路的像素的响应权重。

在一些实施例中，方法还包括：根据遥感图像中各像素的响应权重和预定的响应权重阈值，分别确定遥感图像中各像素是否属于道路。

在一些实施例中，方法还包括：根据遥感图像的分辨率确定响应权重阈值。

在一些实施例中，基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型，包括对多层神经网络模型执行多次训练过程直至训练结果满足预定的训练完成条件，其中，每次训练过程包括：将更新后的遥感图像训练样本集包括的至少部分遥感图像输入多层神经网络模型；经多层神经网络模型提取输入的遥感图像的道路特征；至少根据提取的道路特征和输入的遥感图像的道路标注数据的差异，确定道路特征提取的损失值；根据损失值调整多层神经网络模型的网络参数。

在一些实施例中，至少根据提取的道路特征和输入的遥感图像的道路标注数据的差异，确定道路特征提取的损失值，包括：根据提取的道路特征和输入的遥感图像的道路标注数据的差异、以及输入的遥感图像中各像素的响应权重，确定道路特征提取的损失值。

在一些实施例中，多层神经网络模型包括：卷积神经网络。

第二方面，本申请提供了一种道路特征识别方法，该方法包括：获取待检测的遥感图像；基于如第一方面任一实施例中的多层神经网络模型提取待检测的遥感图像的道路特征。

在一些实施例中，该方法还包括：根据提取的道路特征生成道路图。