欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021106842925
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.弱监督深度学习水体提取方法,其特征在于,所述方法包括以下步骤:步骤S100:构建初始卷积神经网络,获取遥感图像训练集,根据所述遥感图像训练集对所述初始卷积神经网络进行训练,得到训练好的卷积神经网络;

步骤S200:获取原始遥感图像,通过邻近采样器对所述原始遥感图像进行邻近采样得到一组邻近图像组;

步骤S300:将所述邻近图像组输入至所述训练好的卷积神经网络中,得到预测的水体提取概率图组;

步骤S400:对所述预测的水体提取概率图组进行二值化处理得到预测结果组,按照预设的投票原则对所述预测结果组进行投票确定得到最终的水体提取结果;

步骤S100包括:

步骤S110:构建初始卷积神经网络,所述初始卷积神经网络的结构为编码器‑解码器网络结构;

步骤S120:获取遥感图像训练集,通过邻近采样器对所述遥感图像训练集中的遥感图像进行邻近采样得到一组训练邻近图像组;

步骤S130:将所述训练邻近图像组输入至所述初始卷积神经网络中,提取邻近特征得到邻近特征组;

步骤S140:将所述邻近特征组进行邻近特征聚合得到邻近聚合后的特征;

步骤S150:对所述邻近聚合后的特征进行后处理与点约束处理,得到伪标签;

步骤S160:将所述伪标签替换所述初始卷积神经网络中的点标签监督信息,重复步骤S120至步骤S130得到预测概率图组,对预测概率图组进行二值化处理得到训练预测结果组,按照预设的投票原则对所述训练预测结果组进行投票确定得到综合预测结果;

步骤S180:将所述综合预测结果替换所述伪标签,重复步骤S160进行迭代训练,当迭代次数达到预设迭代次数时完成训练,得到训练好的卷积神经网络。

2.根据权利要求1所述的方法,其特征在于,所述原始遥感图像的宽度和高度分别为W和H,每个网格的大小为K×K,步骤S200包括:步骤S210:将所述原始遥感图像分成 个网格;

步骤S220:从所述 个网格中选择第i行j列的网格的所有元素,分别视为邻近采样器中邻近图像组的邻近图像的第(i , j)个元素,直至所有网格采样完成,生成一组邻近图像组,其中, , 。

3.根据权利要求1所述的方法,其特征在于,步骤S160之后步骤S180之前还包括:步骤S170:根据所述综合预测结果和所述点标签监督信息计算得到二值交叉熵Lbce与Dice损失函数Ldice,根据所述二值交叉熵Lbce与所述Dice损失函数Ldice求和得到训练总损失,根据所述训练总损失对所述初始卷积神经网络进行反向传播更新所述初始卷积神经网络中的参数。

4.根据权利要求1所述的方法,其特征在于,步骤S140包括:步骤S141:对所述邻近特征组中的每个邻近特征沿通道维度使用最大池化获得中间结果;

步骤S142:对所有邻近特征的中间结果使用最大间类方差法进行二值化处理,得到所有邻近特征的邻近特征图;

步骤S143:按照预设的投票原则对所述邻近特征组的所有邻近特征的邻近特征图进行投票,得到邻近聚合后的特征。

5.根据权利要求1所述的方法,其特征在于,步骤S150包括:步骤S151:对所述邻近聚合后的特征进行空洞填充,并将空洞填充后的聚合特征进行形态学开运算去除噪点;

步骤S152:对去除噪点后的聚合特征使用点约束处理筛选得到伪标签。

6.根据权利要求1所述的方法,其特征在于,所述编码器‑解码器网络结构具体包括多个编码模块和多个解码模块,每个编码模块包含连续两个3×3卷积层、一个批归一化层、一个修正线性单元和一个最大池化层,最后一个解码模块包含连续两个3×3卷积层、一个批归一化层、一个修正线性单元和一个sigmoid函数,其余解码模块包含连续两个3×3卷积层、一个批归一化层、一个修正线性单元和一个上采样层。

7.弱监督深度学习水体提取装置,其特征在于,所述装置包括:神经网络构建训练模块,用于构建初始卷积神经网络,获取遥感图像训练集,根据所述遥感图像训练集对所述初始卷积神经网络进行训练,得到训练好的卷积神经网络;

邻近采样模块,用于获取原始遥感图像,通过邻近采样器对所述原始遥感图像进行邻近采样得到一组邻近图像组;

水体提取概率图组预测模块,用于将所述邻近图像组输入至所述训练好的卷积神经网络中,得到预测的水体提取概率图组;

水体提取结果确定模块,用于对所述预测的水体提取概率图组进行二值化处理得到预测结果组,按照预设的投票原则对所述预测结果组进行投票确定得到最终的水体提取结果;

所述神经网络构建训练模块包括构建初始卷积神经网络,所述初始卷积神经网络的结构为编码器‑解码器网络结构;获取遥感图像训练集,通过邻近采样器对所述遥感图像训练集中的遥感图像进行邻近采样得到一组训练邻近图像组;将所述训练邻近图像组输入至所述初始卷积神经网络中,提取邻近特征得到邻近特征组;将所述邻近特征组进行邻近特征聚合得到邻近聚合后的特征;对所述邻近聚合后的特征进行后处理与点约束处理,得到伪标签;将所述伪标签替换所述初始卷积神经网络中的点标签监督信息,重复得到训练邻近图像组和得到邻近特征组的步骤得到预测概率图组,对预测概率图组进行二值化处理得到训练预测结果组,按照预设的投票原则对所述训练预测结果组进行投票确定得到综合预测结果;将所述综合预测结果替换所述伪标签,重复得到综合预测结果的步骤进行迭代训练,当迭代次数达到预设迭代次数时完成训练,得到训练好的卷积神经网络。

8.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。