[发明专利]一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法

权利要求书

1.一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，其特征在于，包括以下步骤：

步骤1：对整幅遥感影像进行切割及样本的制作；

根据原始遥感影像制作对应的Ground Truth，其中不同颜色对应原始影像中不同类别的遥感对象，包含滑坡、农业、绿地及建筑四类遥感对象；并对遥感对象进行切割成预定大小的若干样本；

步骤2：构建基于语义门的双时态长短期循环网络，并设置参数；

基于语义门的双时态长短期循环网络由一个语义分割网络U-Net网络和两个相互耦合的长短期记忆网络LSTM网络构成；其中U-Net网络用于输出影像特征及语义分割图，两个LSTM网络用于输出描述各遥感对象之间空间关系的语句；

所述基于语义门的双时态长短期循环网络由Language LSTM与Prediction LSTM构成；

设计语义门机制；

语义门机制采用多层感知机结构，将由Prediction LSTM在t-1时刻预测的t时刻的隐含层信息h_t²作为t时刻的输入；该结构分别使用sigmoid和自定义激活函数进行激活；

设置基于语义门的双时态长短期循环网络综合误差函数；

所述基于语义门的双时态长短期循环网络的误差分为三个部分，分别是LanguageLSTM网络当前时刻的误差Loss 1、Prediction LSTM网络在前一时刻所预测的当前时刻的误差Loss 2以及对象掩膜与关注区矩阵之间的交叉熵Loss 3；Loss 1和Loss 2能使Language LSTM网络在生成当前时刻单词时综合考虑Language LSTM与Prediction LSTM网络的输出；Loss 3用于提升遥感对象的定位精度；通过Loss1和2综合两个时态的信息，Loss3校正定位，从而提升模型的定位精度以及自主决定关注遥感影像信息或是上下文信息的能力；

步骤3：对基于语义门的双时态长短期循环网络进行训练；

首先对语义分割网络U-Net网络进行预训练，然后与两个相互耦合的长短期记忆网络LSTM网络进行综合训练，训练过程中的输入为U-Net网络输出的语义分割图，输出为描述各遥感对象之间空间关系的语句；获得训练好的基于语义门的双时态长短期循环网络；

步骤4：滑坡灾害承灾体预测；

将切割获得的样本进行逐行扫描和拼接，然后将样本输入训练好的基于语义门的双时态长短期循环网络中对滑坡及其承灾体进行预测。

2.根据权利要求1所述的基于语义门及双时态LSTM的滑坡承灾体自动识别方法，其特征在于：步骤3中，从语义精度、稳定性、遥感对象的定位精度对训练后的基于语义门的双时态长短期循环网络进行验证和评价，对语义门的作用效果进行分析评价，当结果达到预期效果后停止训练，从而获得训练好的基于语义门的双时态长短期循环网络。