[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

说明书

本发明公开了一种遥感影像建筑物识别模型的不确定性估计方法，在贝叶斯近似推理理论基础上提出一种兼顾语义和形状特征的建筑物识别不确定性估计方法，核心思想是通过贝叶斯近似推理方法获取CNN网络近似参数分布，进而应用到建筑物分割模型和形状优化模型中，实现从像素分割和矢量生成两方面对建筑物识别结果的可靠性进行定量自评估，即基于MC‑dropout方法的建筑物分割不确定性估计和基于形状建模的建筑物矢量优化与不确定性估计。本发明尝试从语义、形状特征两方面对识别结果进行可靠性定量自评估，从而帮助用户建立结果采信标准，对促进深度学习技术在测图实践中的深化应用和推进相关产业智能化发展具有重要意义。

技术领域

本发明涉及测绘科学技术领域，具体涉及一种遥感影像建筑物识别模型的不确定性估计方法。

背景技术

目前，深度学习模型在高分遥感影像建筑物识别问题上仍存在局限性，可以预见基于深度学习的建筑物识别算法在较长时间内仍将面临一定精度瓶颈，这意味着机器自动生成的结果必须经过人工质检和修订后才能作为产品提交。该质检环节的工作量非常艰巨，很大程度上是因为质检人员无从知晓自动生成结果的可靠性，必须对所有建筑物进行逐个检查。如果算法本身能够在预测结果时进行可靠性定量描述，即模型自身对结果有多大“信心”，将有助于用户建立结果采信标准，在质检环节优先抓取和修测低可靠性结果。

同时，我国目前城区面积已经超过20万平方公里，所对应的是矢量地图庞大而繁琐的制作和更新任务。发展和研究更加智能的高分遥感影像建筑物矢量自动提取方法，对在大数据时代提升测图产业生产效率和促进遥感影像解译研究领域的智能化发展具有重要意义。因此，有必要研究和发展现有建筑物识别模型的不确定性自我评估能力，进一步提升模型可应用性。

不确定性估计是人工智能领域近年来较为热门的研究方向之一，贝叶斯神经网络(Bayesian Neural Network,BNN)是目前绝大多数深度学习类不确定性估计方法的基础。近年来得到较广泛关注的贝叶斯近似推理方法是Gal等提出的蒙特卡罗丢弃(Monte Carlodropout,MC-dropout)算法，该算法在计算机视觉领域已得到较多应用。但总体上，深度学习模型的不确定性估计在遥感领域尚未得到充分关注，仍鲜见针对建筑物识别问题的此类研究，尤其缺乏在矢量形状层面对建筑物识别结果进行可靠性自评估的相关研究。

发明内容

有鉴于此，本发明提供了一种遥感影像建筑物识别模型的不确定性估计方法，以贝叶斯近似推理理论和方法为基础，研究和探索适用于高分遥感影像建筑物识别任务的BNN参数采样和近似推理方法，进而实现从像素分割和矢量生成两方面对建筑物识别结果的可靠性进行定量自评估，帮助用户建立结果采信标准，具体包括以下内容：

S1、采用MC-dropout方法获取建筑物识别模型参数的近似后验分布；

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

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。

进一步地，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。

进一步地，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。

进一步地，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；