[发明专利]基于全局和多尺度全卷积网络的航拍图像分割方法

权利要求书

1.一种基于全局和多尺度全卷积网络的航拍图像分割方法，其特征在于，构建并利用全局模块获取特征提取层中的全局信息，构建并利用多尺度模块获取反卷积层中多尺度信息，特征提取层和反卷积层之间的连接使特征提取层提取到的信息得到充分利用，该方法的具体步骤如下：

(1)构建全局和多尺度全卷积网络：

(1a)搭建一个全局和多尺度全卷积网络，其结构依次为：输入层→特征提取层→第一组合模块→全连接层→反卷积层→第二组合模块→输出层；

所述特征提取层是由VGG16模型中的五个串联的卷积模块组成；

所述第一组合模块有7层，其结构依次为：第一卷积层→转置层→第一相乘层→softmax层→第二相乘层→第二卷积层→相加层；

所述全连接层的结构依次为：最大池化层→第三卷积层→第一dropout层→第四卷积层→第二dropout层；

所述反卷积层由四个串联的反卷积模块组成，每个反卷积模块的结构依次为：第一上采样层→第五卷积层→第三dropout层；

所述第二组合模块由三个上采样模块串联构成，其中，每个上采样模块由第二上采样层和第六卷积层组成；

所述输出层由第七卷积层和Argmax串联组成，用于生成分割掩码图；

其中，全局和多尺度全卷积网络中特征提取层的第二、三、四、五卷积模块的输出分别与该网络反卷积层的第一、二、三、四反卷积模块的输入以逐像素相加的方式连接；

(1b)设置全局和多尺度全卷积网络的参数如下：

将第一卷积层和第二卷积层卷积核大小均设置为1×1个像素，步长均设置为1个像素；所述特征提取层的参数与VGG16的网络参数相同；

将第一组合模块中输入和输出的特征映射图均设置为512个，中间过程中的特征映射图均设置为256个，

将全连接层和反卷积层的卷积核大小均设置为3×3个像素，步长均设置为1个像素，全连接层和反卷积层中dropout参数均设置为0.5；

将第二组合模块中的每个上采样层的特征映射图均设置为2个，第六卷积层卷积核大小均设置为1×1个像素，步长均设置为1个像素；

(2)生成训练集：

(2a)采集31张大小为5000×5000的航拍图像和其对应的实际类标，每张图像中包含背景类和目标类；

(2b)将每张图像均裁剪成256×256大小，再将每个像素点除以255.0进行归一化处理后组成训练集，将其对应实际类标进行裁剪组成训练集的实际类标；

(3)训练全局和多尺度全卷积网络：

(3a)将训练集输入到全局和多尺度全卷积网络中，将全局和多尺度全卷积网络输出的特征图作为网络预测的分割掩码图；

(3b)使用Adam优化算法，迭代地更新网络权重值，直到损失函数收敛，得到训练好的全局和多尺度全卷积网络；

(4)生成分割掩码图：

将每幅待分割的航拍图像均裁剪成256×256大小，再将每个像素点除以255.0进行归一化处理后输入到训练好的全局和多尺度全卷积网络进行二值分割，得到最终的分割掩码图。

2.根据权利要求1所述的基于全局和多尺度全卷积网络的航拍图像分割方法，其特征在于，步骤(1a)中所述VGG16模型中五个串联卷积模块的第一、二卷积模块的卷积核大小均为3×3个像素，第一、二卷积层的步长依次设置为2、1个像素；第三、四、五卷积模块的卷积核大小均为3×3像素，第三、四、五卷积层的步长依次设置为2、1、1个像素，该模型采用在Imagenet数据集上预先训练好的权重作为初始值。

3.根据权利要求1所述的基于全局和多尺度全卷积网络的航拍图像分割方法，其特征在于，步骤(1b)中所述VGG16的网络参数中第一、二、三、四、五卷积模块的输入的特征映射图依次设置为3、64、128、256、512个，输出的特征映射图依次设置为64、128、256、512、512个。