1.一种基于多尺度残差卷积神经网络的道路提取方法,其特征在于,包括以下步骤:步骤1:输入带标签的遥感影像训练数据集;
步骤2:利用改进神经网络对带标签的道路数据集进行卷积训练;
步骤2.1:对于给定的输入训练样本,采用多尺度卷积;
步骤2.2:由步骤2.1得到的多尺度分层特征进行残差连接,得到新的特征层;
步骤2.3:对步骤2.2得到的特征层进行全局均值池化:步骤3:网络训练;
步骤3.1:数据扩充;
步骤3.2:参数设置,采用Adam优化算法,交叉熵损失函数和Sigmoid激活函数训练网络。
2.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法,其特征在于,所述步骤2.1包括:
步骤2.1.1:初始化模型参数:θs=θ0,s∈{1,2,…N}其中,θs为网络模型内部初始参数,θ0为模型的初始化参数;
步骤2.1.2:对原始影像进行多尺度卷积学习,得到多尺度分层特征;在S种尺度中,对于由L个阶段组成的多尺度卷积神经网络fS,其公式如下:fs(Xs,θs)=Pool(Relu(BN(WL×HL+bL)))其中,Pool为最大池化函数;Relu表示激活函数;BN函数为Batch Normalsize;WL表示第L个阶段的权值矩阵,HL‑1为第L‑1个阶段的输出,且H0=XS;bL为卷积核中的偏置参数;由Wl和bl共同完成对网络模型中训练参数s的更新,各隐藏阶段l之间的计算输出表示为:H=Relu(BN(W*H+b)),l∈{1,2,…,L‑1}步骤2.1.3:将S种卷积神经网络的输出特征图融合在一起,生成3维特征矩阵F。
3.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法,其特征在于,所述步骤2.3包括:
步骤2.3.1:将步骤2.2中得到的特征图以一维特征点的形式输出;
步骤2.3.2:将步骤2.3.1得到的特征点作为全连接层的输入数据,对特征信息进行重新拟合,并利用分类函数对像素进行分类,得到道路提取结果。
4.如权利要求1所述的基于多尺度残差卷积神经网络的道路提取方法,其特征在于,所述步骤3.1包括:
步骤3.1.1:通过随机多角度旋转(90,180,270)和镜像映射(水平镜像和垂直镜像)扩充数据;
步骤3.1.2:将扩充边界后的影像(1536×1536)按照96×96的尺寸裁剪;
步骤3.1.3:根据训练样本中二值图计算正负样本所占比例,对正负样本比失调的训练集,应用过采样方法将步幅设置为2个像素检测是否为道路区域,均衡正负样本比例,经数据集扩充之后,训练数据量至少在6倍以上。