[发明专利]基于卷积神经网络的遥感正射影像密集建筑物提取方法

权利要求书

1.基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，具体包括以下步骤：

S1：制作训练样本：获取原始建筑物遥感影像，并通过VIA数据标记工具进行标注，然后进行数据增强；

S2：建立改进的Mask-RCNN模型：所述改进的Mask-RCNN模型包括Mask-RCNN原有的基础特征提取网络，所述基础特征提取网络后设有一个由底到上的特征增强结构，从特征增强结构输出的特征经区域建议网络RPN输入到池化层，对池化后每一层级特征进行融合，特征融合后连接旋转不变全连接层，最后进行Mask-RCNN分类、边框定位和mask回归，实现对遥感影像中建筑物的提取；

S3：模型训练、微调：将S1中制作好的训练样本输入改进的Mask-RCNN模型中进行训练，并微调模型超参数，当损失函数收敛或近似收敛时，停止训练，得到训练的最优模型；

S4：模型测试：将待测遥感影像数据输入训练好的最优模型中进行测试，并分析建筑物提取结果，统计提取精度。

2.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S1中对数据进行标注之前先剪裁。

3.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S1中数据增强的方式为随机90°倍数旋转、水平翻转和伸缩变换。

4.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S2中采用的Mask-RCNN基础特征提取网络有特征提取主干网络和主干网络的扩展网络，Mask-RCNN特征提取主干网络为深度残差网络，主干网络的扩展网络为特征金字塔网络FPN。

5.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S3中模型超参数包括迭代次数、学习率。

6.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S4中模型测试时，先裁剪为小块进行测试，之后再拼接。

7.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法，其特征在于，S4中测试前，观察在训练集和验证集上的精度曲线来分析模型是否存在过拟合和欠拟合的情况，如若不存在过拟合和欠拟合则可进行后续的测试。