1.一种基于场景识别任务下的遥感图像目标提取方法,包括如下步骤:S100:输入原始遥感图像;
S200:从所述原始遥感图像中提取目标场景图像并得到所述目标场景图像的目录文件;
S300:按照所述目标场景图像的目录文件,从不同类型的图像文件夹中获取对应同一目标场景的不同类型的图像后,将其输入改进后的分割网络,进行目标提取;其中改进后的分割网络是对作为图像分割的主干网络卷积-反卷积网络进行改进,具体为:S301:采用卷积-反卷积网络作为图像分割的主干网络;
S302:在所述主干网络中加入全分辨率网络分支;
S303:在所述主干网络与所述全分辨率网络分支之间建立数据交流机制,全分辨率网络分支前半段逐步汇聚来自主干网络卷积各阶段的多级尺度特征,全分辨率网络分支后半段则为主干网络反卷积各阶段提供汇聚后的多级尺度特征;
S304:在所述改进后的分割网络末端,对不同类型的图像作为输入得到的类别预测概率图进行加权融合;
S400:输出所提取的目标结果;
其中,步骤S200进一步包括如下步骤:
S201:将所述原始遥感图像分割裁剪,获取不同场景的遥感图像区域;
S202:利用深度卷积神经网络对所述不同场景的遥感图像区域进行分类,获取目标场景图像并得到这些目标场景图像的目录文件;
其中,所述深度卷积神经网络包含13个卷积层和3个全连接层;
其中,步骤S301中的卷积阶段包含13个卷积层和5个池化层,反卷积阶段与卷积阶段呈镜像对称关系,包含13个反卷积层和5个解池化层;
其中,所述卷积阶段的13个卷积层被划分为五个卷积阶段,第一个卷积阶段和第二个卷积阶段各包含两个卷积层,第三卷积阶段、第四卷积阶段和第五卷积阶段各包含三个卷积层;
其中,步骤S303中所述全分辨率网络分支前半段逐步汇聚来自主干网络卷积各阶段的多级尺度特征具体为:对所述主干网络第二、三、四、五卷积阶段只选择最后一层卷积特征图,使用反卷积操作将各特征图进行扩大,与第一卷积阶段输出特征图做逐像素逐步相加融合;
其中,步骤S303中所述全分辨率网络分支后半段则为主干网络反卷积各阶段提供汇聚后的多级尺度信息具体为:汇聚后的多级尺度信息按不同尺寸进行池化操作,并将池化后的特征图与对应反卷积阶段输出特征图相连接。
2.根据权利要求1的方法,其中,在每个卷积层之后包含一个批量归一化单元和一个修正线性单元,其中批量归一化单元将提取到的特征数据进行归一化,修正线性单元用于加入非线性因素;在每个卷积阶段之后包含一个池化层。
3.根据权利要求1的方法,其中,步骤S302中所述全分辨率网络分支具体为:对作为分割的主干网络卷积-反卷积网络进行改进,在第一卷积阶段后分两支数据流,一支数据流后接池化层随主干网络继续向后传递,特征分辨率减小再增大,另一支数据流则汇聚多级尺度特征并以原始特征分辨率向后传递,使得特征分辨率保持不变。