[发明专利]用于自动检测建筑物覆盖区的系统和方法

说明书

本申请涉及用于自动检测建筑物覆盖区的系统和方法。所公开的计算机实现的方法可以包括收集将图像的训练集合内的多边形标记为建筑结构的标签集合。该方法还可以包括通过扭曲图像的训练集合内的多个多边形的边界来创建具有预定噪声程度的有噪声标签集合。此外，该方法可以包括通过应用相互教导方法从有噪声标签集合中学习来同时训练两个神经网络。该方法还可以包括基于两个经训练的神经网络提取训练数据的优先列表。此外，该方法可以包括用训练数据的优先列表训练机器学习模型。最后，该方法可以包括使用经训练的机器学习模型识别目标图像中的一个或更多个建筑物覆盖区。还公开了各种其他方法、系统和计算机可读介质。

相关申请的交叉引用

本申请要求2020年11月13日提交的美国临时申请第63/113，805号和2021年6月17日提交的美国非临时专利申请第17/350，594号的权益，其公开内容通过引用整体结合于此。

附图简述

附图示出了许多示例性实施例，并且是说明书的一部分。这些附图与以下描述一起展示并解释了本公开的各种原理。

图1是用于自动检测建筑物覆盖区(building footprint)的示例性方法的流程图。

图2是用于自动检测建筑物覆盖区的示例性系统的框图。

图3A和图3B示出了示例性图像中多边形的示例性标签。

图4A和图4B示出了用于训练标签的示例性图像中多边形的示例性扭曲。

图5是示例性相互教导(co-teaching)方法的框图。

图6是用于训练和评估用于相互教导的示例性神经网络的示例性模型的框图。

图7是标签精度的示例性评估的框图。

图8是示例性训练数据的示例性优先排名的框图。

在全部附图中，相同的参考符号和描述指示相似的但不一定相同的元件。虽然本文描述的示例性实施例易于进行各种修改和替代形式，但是特定实施例已经在附图中以示例的方式被示出，并且将在本文详细描述。然而，本文描述的示例性实施例并不旨在局限于所公开的特定形式。相反，本公开覆盖了落入所附权利要求范围内的所有修改、等同物和替代物。

示例性实施例的详细描述

卫星图像可能有助于创建地图或识别全球范围内的位置。例如，用户可以使用在图像上识别街道和建筑物的软件应用来计算两点之间的距离，从而为旅行规划路线。因为这些应用依赖于准确地识别图像中的构造，所以准确地确定这些构造的尺寸、位置和形状(例如识别建筑物的覆盖区)是至关重要的。

处理卫星图像的一些传统方法依赖于用户输入来帮助识别和标记图像内的构造。然而，这些用户通常未经训练，可能会错误地给图像贴错标签，导致人类标注的标签稀疏或不准确。另一方面，雇佣训练有素的用户来标记图像仍然会导致标记错误，并且可能在时间和金钱方面都很昂贵。此外，用户可能不同意标签，或者可能由于图像的固有问题(例如未对齐或特定图像中缺乏信息或细节)而犹豫不决。

为克服用户错误和缺乏领域专业知识而自动化这些标记过程的传统尝试往往有其自身的问题。一些简单的算法在预测建筑物覆盖区的精确形状时可能不准确，或者可能错误地标记图像。其他方法可能总体上更准确，但可能难以解释有噪声的标签或稀疏的信息，导致泛化能力差。例如，对于大规模数据集，异常值或异常可能变得过于简单，无法描述有噪声的标签，这可能会歪曲预测模型的结果。因此，需要更好的方法来快速准确地识别图像构造，如建筑物覆盖区，以改善对数据标签中潜在噪声的处理。