[发明专利]一种基于深度学习的遥感影像半自动标注方法和装置

权利要求书

1.一种基于深度学习的遥感影像半自动标注方法，其特征在于，采用深度神经网络概率密度函数和超像素分割相结合的遥感影像半自动标注方法，该方法包括以下步骤：

基于公开遥感数据集，利用交叉熵损失函数预训练全卷积神经网络；

采用预训练的全卷积神经网络对待标注的遥感影像进行预测，输出遥感影像的类别属性概率；

根据遥感影像的类别属性概率计算遥感影像像素的不确定性度量值，并基于不确定性度量值分布，确定不确定性度量值的阈值，根据该阈值提取不确定像素；所述根据遥感影像的类别属性概率计算遥感影像像素的不确定性度量值，包括：计算类别属性概率的最大值和第二大值的差，作为遥感影像像素的不确定性度量值；将不确定性度量值按顺序排序，采用百分位值作为所述不确定性度量值的阈值；

对遥感影像进行超像素分割，根据超像素中不确定像素的最小百分比筛选超像素作为推荐标注区域，对推荐标注区域进行人工标注；

将推荐标注区域的人工标注和遥感影像剩余区域的全卷积神经网络预测结果进行合并，得到最终标注结果。

2.根据权利要求1所述的方法，其特征在于，所述利用交叉熵损失函数预训练全卷积神经网络，包括：

计算地面真值标签t与全卷积神经网络的输出s之间的交叉熵，其中地面真值标签t为一个具有一个正类和c-1个负类的独热编码向量，然后调整网络参数，通过反向传播减少交叉熵。

3.根据权利要求2所述的方法，其特征在于，所述交叉熵损失函数定义如下：

，

其中K为类别数，t_i是真实标签的独热编码向量元素，s_i为对应类别的分数。

4.根据权利要求1所述的方法，其特征在于，所述采用预训练的全卷积神经网络对待标注的遥感影像进行预测，输出遥感影像的类别属性概率，包括：

将全卷积神经网络的最后一层输出的类分数s通过softmax层，在像素级别将类分数转换为概率，生成类别属性概率，即每个像素样本经过softmax层输出一个K*1的向量，K个值大小均在0到1之间，且K个值之和为1。

5.根据权利要求1所述的方法，其特征在于，采用以下步骤得到所述遥感影像剩余区域的全卷积神经网络预测结果：

对于遥感影像剩余区域，以像素为单位读取全卷积神经网络输出的类分数矢量，其最大数值所对应的类即为全卷积神经网络对像素预测的所属类别。

6.一种采用权利要求1~5中任一权利要求所述方法的基于深度学习的遥感影像半自动标注装置，其特征在于，该装置采用深度神经网络概率密度函数和超像素分割相结合的遥感影像半自动标注方式进行标注，该装置包括：

预训练模块，用于基于公开遥感数据集，利用交叉熵损失函数预训练全卷积神经网络；

类别属性概率计算模块，用于采用预训练的全卷积神经网络对待标注的遥感影像进行预测，输出遥感影像的类别属性概率；

不确定像素提取模块，用于根据遥感影像的类别属性概率计算遥感影像像素的不确定性度量值，并基于不确定性度量值分布，确定不确定性度量值的阈值，根据该阈值提取不确定像素；所述根据遥感影像的类别属性概率计算遥感影像像素的不确定性度量值，包括：计算类别属性概率的最大值和第二大值的差，作为遥感影像像素的不确定性度量值；将不确定性度量值按顺序排序，采用百分位值作为所述不确定性度量值的阈值；

推荐标注区域标注模块，用于对遥感影像进行超像素分割，根据超像素中不确定像素的最小百分比筛选超像素作为推荐标注区域，对推荐标注区域进行人工标注；

合并模块，用于对推荐标注区域的人工标注和遥感影像剩余区域的全卷积神经网络预测结果进行合并，得到最终标注结果。

7.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1~5中任一权利要求所述方法的指令。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1~5中任一权利要求所述的方法。