[发明专利]一种基于Mask RCNN遥感影像分割方法

说明书

本发明公开了一种基于Mask RCNN遥感影像分割方法，涉及遥感影像分割技术领域，包括以下步骤：获取可变形卷积层，并实现可变形卷积替换Mask RCNN主干网络的标准卷积；结合FPN融合底层到高层的特征作为特征输出；RPN获取特征输出生成建议区域，进行特征提取；ROI Align进行特征图不同点采样，并应用双线性插值获取尺寸为7X7的感兴趣区域；分支网络获取边界区域信息、类别信息和掩膜信息。本发明通过Mask RCNN用于特征提取的卷积层上使用可自适应变形的卷积进行替换，实现Mask RCNN的主干网络与可变形卷积进行结合，提取复杂目标的特征，并增强了卷积网络对空间变化的自适应能力，得到更精确的实例分割结果，并易于扩展到遥感影像其他目标的实例分割任务上，应用范围广。

技术领域

本发明涉及遥感影像分割技术领域，具体来说，涉及一种基于Mask RCNN遥感影像分割方法。

背景技术

高分辨率遥感影像提供了丰富的地物光谱信息，在制图，城市规划，灾害监测等多个领域得到应用。遥感影像实例分割作为高分辨率遥感影像信息提取与目标识别的前提和基础，是实现从数据到信息的对象化提取的过渡环节和关键步骤，具有十分重要的意义。与图像分类，物体检测不同，实例分割是指机器自动从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记。在计算机视觉和遥感领域中，实例分割被用在了多种应用中，例如：自动驾驶、姿态估计、遥感影像解译以及3D重建等。运用深度卷积神经网络可以从目标中自动学习特征，不需要人为进行设计。在许多图像处理任务中，深度学习模型往往显著优于传统的方法。

标准的卷积总是在特征图上以固定的区域进行采样，该方法不适用于包含复杂目标对象的遥感影像。对于遥感影像中的建筑物，在不同位置拍摄得到的目标会产生几何形变，如果能够使卷积的采样自适应变形，这对复杂对象的特征提取会带来很大帮助。

在实例分割任务上，Mask RCNN具有良好的表现，如果直接将Mask RCNN应用于遥感影像的实例分割，会由于目标的复杂性而遗漏目标，且会由于遥感影像目标的几何形变产生错误的分割结果。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于Mask RCNN遥感影像分割方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于Mask RCNN遥感影像分割方法，包括以下步骤：

步骤S1，获取可变形卷积层，并实现可变形卷积替换Mask RCNN主干网络的标准卷积；

步骤S2，结合FPN融合底层到高层的特征作为特征输出；

步骤S3，RPN获取特征输出生成建议区域，进行特征提取；

步骤S4，ROI Align进行特征图不同点采样，并应用双线性插值获取尺寸为7X7的感兴趣区域；

步骤S5，分支网络获取边界区域信息、类别信息和掩膜信息。

进一步的，所述可变形卷积层，包括以下步骤：

将输入特征图记为U，经过一个普通的卷积层，输出与输入的大小保持不变，但输出深度扩大两倍，输出结果记为V；

将原始输入U的像素索引分别与V中的偏置量相加，得到偏置后的像素索引，其中索引限定在输入特征图大小以内，索引为坐标值，且通过双线性插值获得准确的像素；

根据索引重新整合像素，得到输出特征图。

进一步的，所述RPN获取特征输出生成建议区域，进一步包括：

对锚点的位置和大小增量进行回归，包括以下步骤：