[发明专利]一种基于深度学习的遥感影像自动标注方法

说明书

本发明涉及一种基于深度学习的遥感影像自动标注方法，包括以下步骤：将从电子地图中获取的遥感影像进行配准，获取对应遥感影像中的建筑物和道路的矢量数据；将获取的矢量数据转化为栅格影像，用于模型训练的含有噪声的数据集；通过滑动窗口将原始数据集进行剪裁，利用剪裁得到的数据集对多任务深度学习模型(MDLF)进行训练，通过对该深度神经网络进行调整，得到最优的训练模型，得到训练好的多任务深度学习模型；将待测试的遥感影像输入至深度神经网络；通过深度神经网络对测试集进行遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果；本发明不需要设置大量的网络训练参数，结构简单，训练速度快。

技术领域

本发明属于遥感影像标记技术领域，具体涉及一种基于深度学习的遥感影像自动标注方法。

背景技术

近年来，在大数据和计算能力的支撑下，深度学习在众多领域均取得了突破性进展。在遥感影像解译领域，深度学习技术也受到了广泛关注和应用，国内外诸多研究者进行了有益的探索，表明了深度学习技术在遥感图像解译领域的应用潜力。

从遥感影像中提取物体是一个非常受欢迎的主题，因为该技术具有广泛的应用，例如城市规划，土地利用分析，救灾和自动地图制作。卷积神经网络(CNNs)被认为是最成功的图像分类模型之一。然而，使用CNN方法的主要缺点是需要大量的标记数据用于训练。繁琐的标记过程阻碍了这些完全监督的方法在遥感影像分类中的应用。直到最近，也没有对遥感影像的大量标记和准确的训练数据被公开。

为了克服这个限制，一些组织提出了使用构建神经网络训练数据集的方法，用于遥感影像分类。这种技术显著降低了标记的成本，由于OpenStreetMap和GoogleMaps等地图的使用，几乎可以无限数量的注释。但是，由于各种类型的噪声，这些数据集的标签极其不可靠，对CNN的分类准确性产生不利影响。

处理噪声标签的一种非常常见的方法是使用噪声数据预先训练网络，然后使用准确的数据集对网络进行微调。然而，当准确标签的数量有限时难以获得良好的性能。噪声标签问题具有挑战性，因为该问题导致分类结果不准确。解决该问题的主要方法是提高模型对标签噪声存在的鲁棒性。目前，已经研究出了通过正则化的许多变异体用来增强CNN的稳健性。Azadi等人利用图像下的非线性流形结构，并为CNN提供了一种新颖的辅助图像正则化器(AIR)来处理标签噪声。在遥感领域，Saito等人使用不同类别的相关性来规范损失，并提出用于训练CNN的信道方式抑制softmax(CIS)损失。魏等人发现了基于道路结构的损失，以改善CNN的噪声稳健性。这些方法通过在损耗中添加额外结构信息来改善模型噪声稳健性。这些研究人员在马萨诸塞州的数据集上进行了实验，并取得了很好的成绩。然而，这些方法不能充分利用CNN获得的高级特征，因此，长时间的训练会导致性能下降。

另一个突出的方法是明确建模标签噪声并减小神经网络训练中的负面影响。Mnih和Hinton以及Mnih将(未知)真实标签视为隐藏变量并构建了用于航空图像分类的噪声模型。这种方法可以增强CNN对抗噪声和配准噪声的鲁棒性。但是，这种方法只能解决二进制分类问题。在类似的情况下，Bekker和Goldberger定义了多标签分类问题的概率模型，而赵等人提出了一种概率转移CNN(PTCNN)来自动分类SAR图像。最近，Sukhbaatar、Sukhbaatar和Fergus等人提出了一种简单有效的噪声模型来处理神经网络背景下的噪声标签。这些研究人员在网络顶部添加了一个softmax层来估计标签切换的概率。已经应用类似的方法来提高逻辑回归对标记噪声的鲁棒性。虽然模拟标签噪声的方法表现出良好的性能，但这些方法认为标签噪声有条件地依赖于真实标签。大多数现有的噪声标签处理方法被设计用于一般计算机视觉应用，并不能直接扩展到遥感影像分类，因为遥感影像太复杂而不能精确分类。

发明内容

本发明的目的是克服现有技术的不足而提供一种实现高精度的语义标记的基于深度学习的遥感影像自动标注方法。

本发明的技术方案如下：

一种基于深度学习的遥感影像自动标注方法，其特征在于，包括以下步骤：