[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

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。