[发明专利]一种多尺度背景感知池化弱监督建筑物提取方法

说明书

本发明公开一种多尺度背景感知池化弱监督建筑物提取方法，方法利用边界框标签，通过背景感知池化方法使得分类网络能更好地实现从建筑物边界框内的背景中分离出建筑物区域，从而生成定位更为精确的建筑物类激活图。利用高分辨率遥感影像多级别特征图的有效信息，生成多尺度的建筑物类激活图。对融合平均后的类激活图进行变异系数平滑操作，生成更为完整且精确的建筑物类激活图；根据背景注意力图和优化后的类激活图，采用条件随机场算法，生成建筑物伪标签。将伪标签与遥感影像相结合共同训练分割模型，从而实现基于边界框标签的高分辨率遥感影像建筑物自动提取。本发明有益效果是：提高了建筑物提取精度。

技术领域

本发明涉及图像目标提取领域，尤其涉及一种多尺度背景感知池化弱监督建筑物提取方法。

背景技术

现有的高分辨率遥感图像建筑物提取方法主要分为传统方法和深度学习方法。传统方法主要基于地理对象的图像分析方法提取建筑物，此类方法的建筑物提取性能高度依赖于手工选择的特征，并且往往需要强大的专业领域知识。近年来，基于数据驱动的深度学习方法在高分辨遥感影像建筑物提取方面取得了显著的性能优势。在深度学习领域中，高分辨率遥感影像的建筑物提取任务被视作图像语义分割任务。高分辨率遥感影像的语义分割方法通过为图像中每个像素分配类别标签，以此实现建筑物自动提取。

现有的图像语义分割方法主要源自于深度卷积网络，由于特征是从数据本身中学习到的，深度卷积网络可以避免手工特征选择的主观性，并且能够提供更好的性能。然而，这些方法遵循有监督的机器学习范式，它们的模型参数需要使用大量带有像素级标签的样本进行训练得到。然而，高分辨率遥感影像建筑物标签的获取耗时耗力，具有极大的挑战性。受弱监督学习的启发，弱监督语义分割(weakly supervised semantic segmentation，WSSS)方法得到发展和应用，可以有效缓解像素级标签缺乏的问题。

弱监督语义分割方法旨在利用弱标签作为监督信号来训练模型，进而完成分割任务，常用的弱标签包括图像级标签、边界框标签、点标签以及涂鸦等。其中图像级标签提供了图像中物体对象的类别，是这些弱标签中最容易获取的。目前，基于图像级标签的弱监督语义分割方法通常依靠类激活图(Class Activation Maps,CAMs)来获取对象分割区域，然后将它们制作成伪标签来训练语义分割网络。此类方法往往采用两阶段训练方法，第一步是通过图像级标签训练分类网络，以此得到类激活图，并进一步优化得到像素级别的伪标签。第二步是利用已生成的伪标签训练分割网络，使用已训练的分割网络预测对象分割区域。然而，图像级标签仅表示图像中特定类别对象的存在或不存在，并且不提供对象位置的任何信息，从中获取用于分割物体对象的可用信息依然有限，这也使得基于图像级标签的弱监督语义分割任务仍极具挑战性。边界框标签是一个包围物体对象的矩形框，这类标签不仅能够提供语义类别信息，还能提供对象位置信息。在现有研究工作中，基于边界框标签的弱监督语义分割方法主要分为两类：其一是基于边界框标签使用如MCG、GrabCut等算法生成区域候选框作为伪标签，这类方法模型普遍较为复杂，并且需要多次迭代更新。另一类方法类似于基于图像级标签的WSSS方法，利用分类网络生成类激活图和背景注意力图，此类方法生成的类激活图仍存在只关注对象最具区分性的部分的问题。此外，这类方法主要是为自然场景图像设计的，无法直接应用于高分遥感影像建筑物CAMs的提取任务。综上所述，基于边界框标签的WSSS高分辨率遥感影像建筑物提取主要存在如下挑战：高分辨率遥感影像中建筑物存在高类内差异性，导致分类网络难以准确地区分建筑物区域和背景区域；高分辨率遥感影像中建筑物尺寸多样，难以生成完整覆盖建筑物区域的类激活图。

发明内容

为了解决传统建筑物提取方法标签获取困难、类激活图覆盖建筑物不完整、生成的建筑物伪标签质量不高的技术问题，本发明提出一种多尺度背景感知池化弱监督建筑物提取方法。

本申请提供的一种多尺度背景感知池化弱监督建筑物提取方法，包括以下：

S1、获取高分辨率遥感影像并进行裁剪，根据建筑物边界框标注B，得到适当尺寸的高分辨率遥感影像和对应的边界框标签图M(p)；