[发明专利]一种基于机器学习的航空影像建筑物轮廓提取方法在审

专利信息
申请号: 202210104501.9 申请日: 2022-01-28
公开(公告)号: CN114821290A 公开(公告)日: 2022-07-29
发明(设计)人: 沈立祥;王正虎;王亚章;秦江涛;孙佳龙;于浩;夏天钰;王秋雅;骆剑波;袁淑婷 申请(专利权)人: 宁波上航测绘有限公司
主分类号: G06V20/10 分类号: G06V20/10;G06T7/181;G06N3/04;G06N3/08;G06K9/62
代理公司: 北京君恒知识产权代理有限公司 11466 代理人: 张强
地址: 315000 浙江*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 机器 学习 航空 影像 建筑物 轮廓 提取 方法
【权利要求书】:

1.一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:包括以下步骤:

步骤一:制作自定义分辨率航空影像建筑物轮廓数据集;

步骤二:将数据集输入到Self-net模型中进行训练,Self-net模型包括四组下采样块和四组上采样块,训练过程包括:

将数据集输入到的上采样块中,实现数据的降采样,下采样块中每组通过池化层进行连接,对数据进行特征提取,用池化所得到的数据作为下一个下采样块的输入,对数据进行多次连续下采样;对下采样块最后输出数据进行上采样操作,上采样中每组通过一次卷积进行相连,将每一个的输出作为下一个层的输入进行相关联,对模型从输入到输出形成一个闭合环,对模型进行组合将模型形成一个端到端的处理流程;

步骤三:将步骤二获取结果进行验证,计算模型的损失值,最终与真实值进行对比计算,将误差传播回模型,重复步骤二,从而不断的更新模型,进行往复的学习;

步骤四:最终模型对数据进行卷积分类,将数据输出展示。

2.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述步骤二中,所述下采样块主要是由卷积层、激活层、归一化处理层三个层构成,将三个层进行两次组合,所述的两次组合是按照卷积层、激活层、归一化处理层、卷积层、激活层、归一化处理层的顺序先后排列的,在不同代码块中对于模型的输入输出做降维处理。

3.根据权利要求2所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述的卷积层在卷积采样时,采用padding=(1,1)和stride=(1,1)的结构,利用kernel_size=(3,3)卷积核进行逐个像素级别的卷积。

4.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述的步骤二中,池化过程采用池化函数,池化函数使用的是最大池化函数。

5.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述步骤二中,所述的上采样块主要由上采样层、跳跃连接层和一个下采样块构成,通过对数据进行反卷积应用使模型实现图像扩充,最终将图形从特征图块变换成与原始输入数据大小一致的图形,然后将成果与下采样对应的成果进行跳跃连接,再经过一次下采样块操作,获取对应的多级特征卷积结果,为下一步运算作为原始数据。

6.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述的步骤二中,在上采样的过程中,Self-net模型所使用的连接层采用了Relu函数作为激活层。

7.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述的步骤三中,在输出环节采用了将上采样不同层数据进行连接的方式,形成与输入数据大小一样的过渡数据来参与后续的损失计算。

8.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法,其特征是:所述步骤四中,在输出环节采用了sigmoid交叉熵函数作为分类器。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于宁波上航测绘有限公司,未经宁波上航测绘有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210104501.9/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top