[发明专利]一种用于城市遥感场景识别的LW-CNN方法和系统

说明书

本发明公开了一种用于城市遥感场景识别的LW‑CNN方法，包括：输入原始城市遥感图像至LW‑CNN场景识别网络，采用多通道模块对城市遥感图像进行多视野特征提取；采用自适应池化层，根据提取得到的多视野特征图尺寸，自动调整其中部分通道的卷积核和卷积步长，以统一输出固定尺寸的特征图；基于深层特征提取模块，采用深度可分离卷积方式，对调整尺寸后的多视野特征图进行深层特征提取；采用跳跃连接方式对深层特征提取块输出的多层特征进行融合；对融合得到的特征进行全局平均池化处理，以提取遥感图像全局特征。本发明能够在保证网络层深度的情况下，减小网络参数，且图像输入尺寸不受限制，提升遥感场景识别的精度。

技术领域

本发明涉及计算机视觉技术领域，具体而言涉及一种用于城市遥感场景识别的LW-CNN方法和系统。

背景技术

城市的快速发展导致城市土地覆盖变化，人员密集和土地覆盖率高是城市的主要特点，因此合理的城市区域识别是城市管理和规划的前提，了解城市土地利用情况是城市发展的必要因素。遥感技术和神经网络是两种广泛应用于城市土地利用率变化预测是实用工具，由于对土地利用进行标注和规划需要消耗大量的人工成本，深度学习的出现推进了图像识别、时间序列等多个研究领域的发展，图像场景分类、语义标记、目标检测和图像检索等许多任务都有了显著的改进。深度学习的方法的主要优点是能够从大量的数据中自动的学习高级特征，对图像中的特征进行提取。利用深度学习来识别城市中的场景，不仅节省大量人工成本，并且提升识别准确率。

由于光学遥感图像的空间分辨率有限，以像素为中心的光谱方法是传统LULC分类工作的主流。高空间分辨率遥感图像的快速发展为挖掘更复杂的空间模式带来了机遇，基于地理对象的图像分析（GEOBIA）因此成为LULC分类的新范式。它首先将图像分割为多个分割对象，然后对其进行分类。随着遥感技术的快速发展和数据量的不断增加，可以将更多可用的数据引入到模型中来识别城市土地利用率的变化。基于深度学习的土地利用和土地覆盖分类在像素级、对象级和场景级进行了探索。深层CNN模型通常在包含数百万图像的ImageNet上训练，而NWPU-RESISC45数据集（用于遥感场景分类的最大数据集之一）包含的图像不到35000张。另外，在ImageNet上预先训练的CNN模型在不同的任务（如目标检测和语义分割）上表现出强大的泛化能力。在这种情况下，使用现成的预训练CNN模型（如AlexNet、VGG16和GoogleNet）作为一种通用的特征抽取器，已经成为遥感场景分类的一种的方法。然而上述提出的方法都存在弊端，输入网络的图像尺寸固定，且网络参数过大，不适用于移动端。

跳跃融合可以针对多尺度特征图进行有效特征融合，然而，目前的跳跃融合多是应用于小目标精准检测、复杂图像处理时获取高质量图像、图像边界处理困难等场景下。例如专利号为CN110378398A的发明中提出一种基于多尺度特征图跳跃融合的深度学习网络改进方法，通过多尺度特征图层间的跳跃连接进行特征融合，通过融合高层语义和低层位置信息使网络能够充分利用高低层特征，提高模型对小目标的敏感性和感知度，同时提升了模型总体检测性能。其次通过多视角多分类策略，实现了高动态场景下目标类别的精准检测。目前尚无将跳跃连接方式应用于城市遥感场景下，在保证网络层深度的情况下减少网络参数的相关技术内容。另外，现有技术中针对多通道采集到的多尺寸特征图，通常是在网络结构设计初始即确定了每个通道尺寸特征图的尺寸调节方式，实际上，最初采集到的多尺寸特征图虽然相互之间的尺寸不一致，但仍受到网络结构的限制，并不能实现不受限制的图像输入尺寸。

发明内容

本发明针对现有技术中的不足，提供一种用于城市遥感场景识别的LW-CNN方法和系统，在保证网络层深度的情况下，减小网络参数，且图像输入尺寸不受限制，提升遥感场景识别的精度，可应用于无人机50-100m航拍场景识别，有效的克服了遥感图像密集给场景识别带来的困难。

为实现上述目的，本发明采用以下技术方案：

一种用于城市遥感场景识别的LW-CNN方法，所述方法包括以下步骤：