[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
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 | ||
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。
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。