[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

说明书

本发明公开了一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，包括数据准备、网络结构及参数设置、综合误差计算、网络训练与验证、网络效果评价以及滑坡及承灾体预测等步骤。这一方法能够及时准确地识别受灾区域内的滑坡及其承灾体，进而快速获取灾害等级、受灾范围等信息，并能够以此为依据进行灾情评估，指导灾后应急救援工作。

技术领域

本发明属于地理信息系统技术领域，涉及一种针对滑坡灾害及其承灾体的快速准确识别的方法，具体涉及一种基于语义门及双时态长短期循环网络(SG-BiTLSTM网络)的滑坡承灾体自动识别方法。

背景技术

基于语义门及双时态长短期循环网络由一个U-Net网络与两个相互耦合的长短期记忆网络(Long－Short Term Memory，LSTM)网络组成，其中U-Net是语义分割网络的一种，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。

U-Net呈U形结构，由压缩路径与扩张路径组成，在压缩路径中，通过卷积操作使得输入的特征图的尺寸逐渐缩小，由此提升对各类遥感对象的分类精度；而在扩展过程中，通过反卷积操作使得特征图的尺寸逐步还原。然而，卷积操作是丢弃了各遥感对象之间大量的空间信息，这些信息虽然能够在反卷积是进行还原，但由于反卷积的基础信息比较少，因而仅靠反卷积还原的特征仍然不足以对对象进行准确定位。为了进一步提升对象的定位精度，U-Net网络中采用了跃层链接的方式，即将压缩过程中每一层中进行卷积操作前的特征图与对应反卷积层中的特征图进行直接拼接，由此获取对象之间更加丰富的空间信息，从而有利于对象的定位。

综上所述，U-Net网络一方面利用卷积操作实现了对各类遥感对象的准确分类；另一方面利用跃层连接实现了对象的准确定位。

长短期记忆网络LSTM是循环神经网络的一种，其与U-Net均属于深度学习的范畴。LSTM具有重复神经网络模块的链式结构，适合处理和预测时间序列中间隔和延迟较长的事件。LSTM特有的记忆与遗忘模式使其能够有效适应网络学习过程中的时序特性，并充分利用历史信息建立时间依赖关系。与传统的RNN相比，LSTM能够有效地保存历史信息，因而能够获得更加广泛的应用。

LSTM网络的基本结构由输入层、隐含层及输出层构成，与传统的RNN相比，LSTM的隐含层不再是普通的神经元，而是具有单独记忆模式的记忆单元。

发明内容

为了实现对滑坡及其承灾体的自动识别，本发明提供了一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法。

本发明采用的技术方案是：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；