[发明专利]一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统

权利要求书

1.一种基于深度神经网络和多任务学习的建筑物目标识别方法，其特征在于，包括以下步骤：

1)改进U-Net深度神经网络，将其编码器中第二层至第六层的卷积层替换为Xception卷积神经网络模型；

2)基于改进的U-Net深度神经网络获取影像的二值分类结果和像素点的高维特征向量矩阵；

3)通过均值漂移算法对高维特征向量矩阵中建筑物的高维特征向量进行聚类分析；

4)利用获得的聚类结果调整建筑物二值分类结果，最终得到建筑物实例分割结构，即判定建筑物个体。

2.根据权利要求1所述的方法，其特征在于，步骤1)包括：

a.搭建U-Net深度神经网络，包括编码器和解码器两个部分，两者都是由连续的卷积层构成；

b.利用Xception卷积神经网络模型替换编码器中第二层至第六层的卷积层；

c.构建判别损失函数L_d：

L_d＝αL_var+βL_dist+γL_reg

式中，L_var为同一建筑物的像素点的聚类程度，L_dist为不同建筑物的聚类中心的远离程度，L_reg为权重的正则化，xi为建筑物的高维向量，C为建筑物个数，c为像素点个数，N_c为建筑物的像素点个数，A和B为不同建筑物，μ_c为建筑物的聚类中心，δ_v为方差，μC_A和μC_B为不同建筑物的聚类中心，2δ_d为两个建筑物的聚类中心的最小距离，α、β、γ为权重。

d.构建总损失函数L_t：

L_t＝L_d+L_b

式中L_b为改进的U-Net深度神经网络的损失函数。

3.根据权利要求1或2所述的方法，其特征在于，步骤2)包括：

a.将高分辨率影像训练集和验证集输入到改进的U-Net深度神经网络中，对U-Net深度神经网络进行训练，得到训练后的U-Net网络模型；

b.利用测试集对训练后的U-Net网络模型进行测试，当测试集的准确率满足要求时，得到最终的改进U-Net网络模型，否则重复步骤2)中的步骤a，直到测试集的准确率满足要求，得到基线的改进U-Net网络模型；

c.利用基线的改进U-Net网络模型对高分辨率影像进行建筑物的二分类提取，得到改进U-Net网络的损失函数Lb，并生成每个像素点的特征的高维矩阵，即像素点的高维特征向量矩阵。

4.根据权利要求3所述的方法，其特征在于，步骤3)包括：

a.对每个像素点的高维特征向量矩阵进行过滤，滤除非建筑物的高维特征向量；

b.基于建筑物的高维特征向量，利用均值漂移算法进行聚类，得到聚类中心数目，不同的建筑物拥有不同的聚类中心，属于不同聚类中心的像素点，对应不同的建筑物。

5.根据权利要求4所述的方法，其特征在于，步骤4)包括：

a.根据聚类结果计算判别损失函数L_d；

b.根据改进的U-Net网络的损失函数L_b和判别损失函数L_d，计算总损失函数L_t；

c.当总损失函数L_t收敛时，即得到基于多任务学习和建筑物二分类结果的实例分割结果，进而判定出建筑物的个体和数量；否则重复步骤2)中的步骤c、步骤3)中的步骤a、b和步骤4)中的步骤a、b，直到总损失函数L_t收敛。