[发明专利]一种遥感影像建筑物识别模型的不确定性估计方法

权利要求书

1.一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，包括以下步骤：

S1、采用MC-dropout方法获取建筑物识别模型CNN参数的近似后验分布，实现对模型参数分布的贝叶斯近似；

S2、将MC-dropout方法应用到建筑物分割模型，对建筑物分割模型进行不确定性估计；

S3、将MC-dropout方法应用到形状优化模型中，提出一种基于形状建模的建筑物矢量优化与不确定性估计学习框架，在优化矢量轮廓的同时对其不确定性进行定量表示。

2.根据权利要求1所述的一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，对于应用dropout完成训练的CNN模型，在模型预测阶段仍保留dropout操作实现对模型参数近似后验分布的随机采样；因此，将同一数据重复输入CNN模型，进行多次模型预测后，预测结果的方差即定量反映了模型在当前预测结果上的不确定性，其均值则认为是最终预测结果。

3.根据权利要求1所述的一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，所述MC-dropout的建筑物分割模型，其结构特点为目前主流ResNet和特征金字塔架构下的全卷积网络增加了多个dropout操作层，增加的dropout操作层主要集中于模型中段的编码和解码模块。

4.根据权利要求1所述的一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，建筑物分割模型的训练方式与经典FCN模型相同，即利用训练数据和标签构建交叉熵损失函数，并采用后向传播和随机梯度下降算法优化求解；

测试阶段，通过设定一定的随机dropout比例，重复对同一输入影像进行N次预测，将得到N个像素分类概率图结果，按像素取平均值即得到最终概率图，对其进行阈值处理后可生成分割结果；对于每一个分割类别，将通过按像素计算其N个概率图的方差作为各自不确定度表示，跨类别并统计像素个数取平均后可得到模型对于当前输入影像的总体不确定度自评价结果。

5.根据权利要求1所述的一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，所述一种基于形状建模的建筑物矢量优化与不确定性估计学习框架对S2建筑物分割模型生成的初始轮廓进行优化处理的流程如下：

(1)将分割模型重复预测的语义特征集合逐元素取平均后，基于初始轮廓节点坐标进行池化处理，获取每个节点所对应的影像特征向量；

(2)将各节点二维坐标与其对应影像特征级联，各个节点的级联特征经由一维卷积核加密后构成张量[f₁,f₂,…,f_n]；

(3)继续进行卷积处理提高特征维度，并通过最大值池化操作生成全局特征G；

(4)将G与节点局部特征[f₁,f₂,…,f_n]分别进行级联，这些局部与全局的融合特征将被继续加密为最终点特征，用于对每个轮廓节点的坐标修正值进行预测；

(5)将修正值与输入坐标相加可得到优化后的轮廓节点坐标。

6.根据权利要求1所述的一种遥感影像建筑物识别模型的不确定性估计方法，其特征在于，所述一种基于形状建模的建筑物矢量优化与不确定性估计学习框架从节点偏差和角度偏差两方面对轮廓优化效果建立损失函数，即：

L_polygon＝L_point+L_line

通过额外增加采样点的方式将输出优化轮廓与其对应真值的节点个数调整为一致，构成配对点集S，然后通过计算配对点的平均距离定义节点偏差损失函数L_point：又考虑到多边形各边长不等，相同节点偏差距离可能带来不同程度形状变形，因此通过定义角度偏差损失函数L_line驱使输出多边形与其真值的同名边尽可能平行，该损失由同名边夹角余弦的平均值定义；其中同名边由配对点集S确定；

分别对优化轮廓按节点逐个计算均值和方差，获取最终优化轮廓结果以及每个节点的不确定度表示，取所有节点不确定度平均值将得到基于形状特征的建筑物轮廓不确定度自评结果。