[发明专利]基于加权损失融合网络的遥感图像分割方法、装置及介质

权利要求书

1.一种基于加权损失融合网络的遥感图像分割方法，其特征在于：

S100，对遥感影进行预处理，得到用于卷积神经网络的训练数据；

S200，构建卷积神经网络，所述卷积神经网络包括多通道训练分支的编码器，通过所述编码器对所述训练数据进行上下文提取；

S300，构建双金字塔模块，通过所述双金字塔模块的两组不同卷积膨胀率空间金字塔对所述训练数据进行特征图提取，输出对应的第一特征图；

S400，对所述S300得到特征图进行上采样处理，得到不同尺寸的第二特征图，将所述第一特征图与所述第二特征图进行融合；

S500，构建感知损失网络，通过损失网络对融合的特征图进行损失计算，通过计算得到的损失与损失网络的加权融合进行反向传播，实现参数更新。

2.根据权利要求1所述基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S100中的预处理包括：对所述遥感影像进行图像裁剪、归一化及数据扩充处理，其中，所述数据扩充所进行的操作分别是从水平和竖直方向进行翻转。

3.根据权利要求1所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S200包括：所述卷积神经网络使用在ImageNet数据集上预训练的InceptionV-4作为网络主干，去除所述卷积神经网络的末端的平均池化层，同时在所述网络主干增加网络分支，得到多通道训练分支的编码器，所述网络分支用于保留图像的浅层特征。

4.根据权利要求3所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S200包括：

去掉平均池化层及后续的所有层，将Reduction-A层后的输出单独建立一个网络分支，然后经过2*2的最大池化层后，与主干网络末端融合。

5.根据权利要求3所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S300包括：

S310，在Stem模块后建立第一空间金字塔作为并行训练网络，根据所述第一空间金字塔，提取所述训练数据的第一阶段的多尺度特征，融合ASPP1模块五个分支的特征图，形成对应的融合特征图，将融合后的特征图通过一个1*1的卷积；

S320，执行4*4的最大池化的卷积操作，将特征图的尺寸进行缩小；

S330，在InceptionV-4网络的Reduction-A模块构建第二空间金字塔，通过ASPP2模块接收的对应的特征图，然后将ASPP2模块的四个分支进行融合，通过一个1*1的卷积层，输出特征图，在卷积层后加入2*2的最大池化层，得到的特征图。

6.根据权利要求5所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述第一空间金字塔及第二空间金字塔分别设置为膨胀率[1、6、12、18]及[1、6、12]。

7.根据权利要求1所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S400包括：

通过由四组卷积块采样模块，对图像尺寸的进行恢复。

8.根据权利要求1所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，所述S500包括：构建感知损失网络，采用预训练的VGG16网络，将分割网络得出的预测图传入到损失网络中，计算得出损失，然后与分割网络计算的损失加权融合并反向传播，实现参数更新。

9.根据权利要求1所述的基于加权损失融合网络的遥感图像分割方法，其特征在于，该方法还包括：

使用IOU和F1作为评价指标对S100～S400的分割方法进行评判，其评判方式为，

其中P是正样本的数量，N是负样本的数量，TP预测正确的正样本的数量，FP是预测错误的正样本的数量，TN是预测正确的负样本数量，FN是预测错误的负样本数量，样本的数量是每个图片的像素数量。