[发明专利]一种建筑物语义分割网络模型训练方法、系统及应用方法

说明书

本发明涉及一种建筑物语义分割网络模型训练方法、系统及应用方法，该训练方法包括以下步骤：基于压缩激活注意力机制、扩张卷积及LinkNet模型构建SED‑LinkNet模型；获取遥感影像；对所述遥感影像进行预处理，得到若干个训练影像和若干个测试影像；将若干个所述训练影像输入到所述SED‑LinkNet模型进行训练，得到训练完成的SED‑LinkNet模型；将若干个所述测试影像输入到所述训练完成的SED‑LinkNet模型进行验证，得到训练结果。通过该训练方法解决了现有建筑物提取方法存在提取精度不高的问题。

技术领域

本发明涉及遥感图像处理、地理学地表要素提取、计算机深度学习等交叉技术领域，特别是涉及一种建筑物语义分割网络模型训练方法、系统及应用方法。

背景技术

相比卫星遥感技术，无人机遥感具有极高的时空分辨率，被广泛应用在电路巡检、应急救援、新闻拍摄、农业保险等领域。建筑物作为无人机飞行约束要素地理实体之一，阻碍了无人机的飞行航路和飞行高度，并对无人机的飞行安全造成了一定的威胁。因此，快速、准确地获取建筑物空间位置信息，对保障无人机飞行安全具有重要的意义。

近年来，遥感影像逐渐向多源化、高分辨率发展，但建筑物在不同的遥感影像有以下共同特点：(1)多种光谱特征。建筑物尽管屋顶颜色不一，但同一材质屋顶的光谱特征在遥感影像中是均匀变化的，能明显的与农田、道路等建筑物周围其它地物进行区分。(2)明显的几何边缘特征。大多数建筑物的轮廓具有明显的直角、圆形等几何特征，可以通过此特征识别建筑物，同时排除如树木等不规则地表物体信息干扰。(3)差异性较大的高度信息。建筑物作为一种具有一定高度信息的人造地物，能较好的与其它地物进行区分。通过以上建筑物的各种特征，众多学者提出了基于目视解译、边缘检测和面向对象等方法进行建筑物信息提取。但这些方法十分依赖建筑物的颜色特征、边缘特征、角点特征、线性特征、纹理特征等低层次特征，存在提取精度较差等缺点，不能满足高精度的建筑物信息提取需求。

因此，如何解决现有建筑物提取方法提取精度不高的问题，成为本领域当前要解决的问题。

发明内容

本发明的目的是提供一种建筑物语义分割网络模型训练方法、系统及应用方法，解决了现有建筑物提取方法存在提取精度不高的问题。

为实现上述目的，本发明提供了如下方案：

一种建筑物语义分割网络模型训练方法，该训练方法包括以下步骤：

基于压缩激活注意力机制、扩张卷积及LinkNet模型构建SED-LinkNet模型；

获取遥感影像；

对所述遥感影像进行预处理，得到若干个训练影像和若干个测试影像；

将若干个所述训练影像输入到所述SED-LinkNet模型进行训练，得到训练完成的SED-LinkNet模型；

将若干个所述测试影像输入到所述训练完成的SED-LinkNet模型进行验证，得到训练结果。

本发明还提供一种建筑物语义分割网络模型训练系统，该训练系统包括：

SED-LinkNet模型构建模块，用于基于压缩激活注意力机制、扩张卷积及LinkNet模型构建SED-LinkNet模型；

遥感影像获取模块，用于获取遥感影像；

预处理模块，用于对所述遥感影像进行预处理，得到若干个训练影像和若干个测试影像；

训练模块，用于将若干个所述训练影像输入到所述SED-LinkNet模型进行训练，得到训练完成的SED-LinkNet模型；

验证模块，用于将若干个所述测试影像输入到所述训练完成的SED-LinkNet模型进行验证，得到训练结果。