[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

说明书

本发明涉及一种基于深度学习的遥感影像半自动标注方法和装置。该方法的步骤包括：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，输出类别属性概率；根据类别属性概率计算遥感影像像素的不确定性度量值，设定阈值提取不确定像素；根据遥感影像分割的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，对其进行人工标注；将推荐标注区域的人工标注和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。本发明能够使人工注释者免于繁重的手工绘制精确边界的负担，提高人工标注效率，还减少了标注工作量和人工标注的主观臆断。

技术领域

本发明属于遥感图像领域中的遥感影像标注方法，涉及高效的半自动标注和推荐标注策略，主要应用于遥感影像信息提取，像素级标注数据获取等应用。

背景技术

近年来自动化遥感影像信息提取技术取得了巨大进步，由于遥感影像的多样性太大，以至于单个机器学习模型无法将其全部覆盖。即在一些数据集上表现较好的深度学习模型在另一些数据集上表现可能会很不好。如农田，在不同地域，不同季节，不同地貌的区域具有完全不同的影像表现形式，因此仍面临巨大挑战。

遥感影像的信息提取是主要依靠影像目标的颜色和形状进行的，面对大规模高精度的遥感影像，收集其所使用的训练数据，尤其是语义分割需要大量像素级的标记数据，工作量很大。考虑到现实应用对高质量和高效注释的需求，相比人工标注，具有人机交互功能的半自动注释是一种更实用的方案，而且对于很难手动跟踪的复杂边界，可以通过自动化部分任务来降低像素级注释的成本。

人机交互式注释是通过提供自动平移，缩放和超像素分割等功能，缩短注释时间。其中超像素分割是将图像中的像素组合在一起以创建有意义的区域的方法。超像素由图像中颜色或亮度级别相似的多个相连像素组成。基于超像素的方法能将空间信息纳入感知上相关的区域，不仅可以有效消除遥感影像中常见的“盐和胡椒”现象，而且由于图像基元的数量大大减少，基于超像素的算法还可以显着提高计算效率。超像素注释使工作人员可以立即标记一组与视觉相关的像素，这样可以减少背景区域和具有复杂边界的对象的注释时间。为了减轻手动注释的共同负担，还有一系列弱监督的分割算法，即使用较弱的注释，如边框、涂鸦和图像级的类标签，而不是像素级的注释。训练基于弱监督的模型的主要挑战是从不完整信息通过自我监督生成像素化标签图的步骤。这项任务最流行的选择时采用判别目标来识别与每个语义类别相关的局部图像区域，但是，尽管这种策略相对于粗略定位对象很有用，但它通常只关注对象的微小区分部分，不足以覆盖整个对象区域。与完全监督的方法相比，会导致分割效果不佳。

主动学习允许学习模型选择训练数据，提供了一种解决此需求的方法。以主动学习为框架的半监督推荐标注算法，其主要思想是主动学习中常见的基于池的学习，即主动学习算法从未标记的样本池中选择样本交由专家标注，然后将标注后的数据添加到训练数据集中。该过程是迭代的，使得每次获得新的标注样本后，对分类器进行重新训练。而遥感影像处理任务所使用的深度学习模型参数庞大，训练时间长，收敛困难，使基于主动学习的半监督推荐标注算法难以应用。

发明内容

针对遥感影像信息提取过程中影像标注获取成本高的问题，本发明基于不确定性采样思想，提出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。

本发明采用的技术方案如下：

一种基于深度学习的遥感影像半自动标注方法，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；