[发明专利]一种面向遥感图像语义分割的深度学习模型的训练方法

说明书

本发明涉及一种面向遥感图像语义分割的深度学习模型的训练方法，该方法为：裁剪遥感图像以及对应的标签，生成训练样本集，构建深度学习模型架构，在训练样本集上训练出一个样本过滤模型，使用样本过滤模型对样本进行预测，得到预测结果，通过将预测结果和样本的对应标签进行对比，挑选出优质样本形成优质样本集，交替训练训练样本集和优质样本集，得到多个经过训练的预测模型，并组成模型池，获取任一张目标遥感图像，将目标遥感图像输入到模型池中，使用模型池预测出目标遥感图像中的要素，该方法简化了深度学习模型的搭建流程，加快了深度学习模型训练的速度，尤其适用于遥感图像训练样本标注质量低的情况。

技术领域

本发明涉及遥感图像解译技术领域，尤其是涉及一种面向遥感图像语义分割的深度学习模型的训练方法。

背景技术

遥感图像是自然资源调查、监测和管理的重要数据源。基于深度学习的遥感图像语义分割能够大幅提升遥感解译的精度和效率，为提升自然资源调查监管决策能力，建立高效、完善的自然资源遥感监测服务体系能够提供更为先进的技术手段。

相比传统语义分割方法如纹理基元森林和随机森林，现有的基于深度学习的语义分割方法能够得到高精度、高效率、自动化的提取结果。然而，深度学习模型的预测效果往往和所提供的样本质量和训练过程中的调参以及优化息息相关。一方面，深度学习算法工程师需要提供经过精细化标注的样本给模型训练，然而遥感图像具有信息量大、像素关联性大、不易评判等特点，导致针对遥感图像的标注结果容易受到标注人员主观性的影响，因此，遥感图像精细化的样本标注成本往往比较高昂，不易获取；第二方面，在训练过程中为了使模型达到更好的精度和泛化能力，需要算法工程师全程跟踪训练进度以及时调整参数使得神经网络在不过度浪费资源的情况下能够及时收敛并停止训练，这样的模型训练过程往往耗时耗力；最后一方面，使用一个模型对目标图像预测时，如果目标图像数据和样本数据不在一个数据领域，往往会因为单一模型的泛化能力有限，导致预测结果不佳。

发明内容

本发明所要解决的技术问题是提供一种面向遥感图像语义分割的深度学习模型的训练方法，该方法能够简化深度学习模型的搭建流程、加快深度学习模型训练的速度、增加模型的泛化能力以及减少深度学习算法工程师在训练过程中的调参工作，尤其适用于遥感图像训练样本标注质量低的情况。

本发明所采用的技术方案是，一种面向遥感图像语义分割的深度学习模型的训练方法，该方法包括下列步骤：

S1. 裁剪遥感图像以及对应的标签，生成训练样本集；

S2. 构建基于编码器-解码器的深度学习模型架构；

S3. 通过所述深度学习模型架构在所述训练样本集上训练出一个样本过滤模型；

S4. 使用所述样本过滤模型来对训练样本集中的样本进行预测，得到训练样本集中样本的预测结果，通过将所述训练样本集中样本的预测结果和训练样本集中样本对应的标签进行对比，挑选出训练样本集中标注质量高的优质样本，并形成优质样本集；

S5. 使用所述深度学习模型架构来交替训练所述训练样本集和所述优质样本集，使用特定的学习率调整方案和优化器，来得到经过训练的预测模型；

S6. 重复步骤S4~S5，得到多个经过训练的预测模型，并将这些经过训练的预测模型组成模型池；

S7. 获取任意一张目标遥感图像，将该目标遥感图像输入到所述模型池中，基于模型池使用模型并行集成的方式预测出目标遥感图像中的要素，并采用平均法得到目标遥感图像的二值图结果。

本发明的有益效果是：上述面向遥感图像语义分割的深度学习模型的训练方法，简化了深度学习模型的搭建流程，加快深度学习模型训练的速度，增加模型的泛化能力以及减少深度学习算法工程师在训练过程中的调参工作，尤其适用于遥感图像训练样本标注质量低的情况。