CN116912708B 一种基于深度学习的遥感影像建筑物提取方法 （重庆邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116912708B(45)授权公告日2025.07.01

(21)申请号202310894293.1

(22)申请日2023.07.20

(65)同一申请的已公布的文献号申请公布号CN116912708A

(43)申请公布日2023.10.20

(73)专利权人重庆邮电大学

地址400065重庆市南岸区黄桷垭崇文路2

号

(72)发明人陶于祥华娟罗舒月

(74)专利代理机构北京同恒源知识产权代理有限公司11275

专利代理师廖曦

GO6V10/26(2022.01)

GO6V10/40(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6V10/80(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN114596500A,2022.06.07CN114663759A,2022.06.24

审查员钟海

权利要求书2页说明书7页附图2页

(51)Int.CI.

GO6V

GO6V

20/13(2022.01)

20/10(2022.01)

(54)发明名称

一种基于深度学习的遥感影像建筑物提取

方法

(57)摘要

CN116912708B本发明涉及一种基于深度学习的遥感影像建筑物提取方法，属于遥感影像领域。方法包括：首先基于处理好的公开数据集，对Deeplabv3+网络模型进行改进，将其主干网络更换为轻量级的MobilenetV2;把模型的ASPP模块替换为DenseASPP,通过更密集的方式连接一组扩张卷积，以生成覆盖更大尺度范围的多尺度特征。针对模型对小尺度特征信息的表征能力不足的问题，在DenseASPP模块后添加通道注意力机制，通过强化对小建筑物更感兴趣的通道特征，提高模型性能；考虑浅层特征包含更多原始信息，在解

CN116912708B

MobileNetV2

MobileNetV2

DenseASPP

Encoda

Add

MSFF

2倍上采样

2倍上采样

1#1卷积

4倍上采样

Decoder

Concat

EA

CN116912708B权利要求书1/2页

2

1.一种基于深度学习的遥感影像建筑物提取方法，其特征在于：该方法包括以下步骤：

S1:选取公开的遥感建筑物数据集lnriaAeriallmageLabelingDataset作为原始数据，并进行裁剪、数据增强在内的数据预处理步骤；

S2:对传统的Deeplabv3+模型进行改进，将其主干网络更换为轻量级的MobilenetV2,

有效减少参数量并提升模型速度；把模型主要模块ASPP替换为DenseASPP,以更密集的方式连接一组扩张卷积；添加注意力机制ECA模块，其通过两个1×1卷积层直接生成通道注意力图，重新校准特征图的通道权重，选择更加重要的特征通道，提高模型对小尺度信息的提取能力，得到DAEC-Deeplabv3+网络；

所述S2具体包括：

S21:构建改进的DAEC_Deeplabv3+网络模型，使用轻量级网络MobileNetV2作为主干网络；

S22:在编码区Encoder中，用密集空洞空间金字塔池化DenseASPP来代替原来的ASPP模块，将DenseNet中的密集连接思想应用到了ASPP中；它通过级联多个空洞卷积层，以密集连接的方式将每个空洞卷积层的输出输送给后续的没被访问的所有空洞卷积层；

DenseASPP用公式(1)进行表示：

y?=Hk,a,[Ly1?1,y1-2…y。])(1)

d?表示1层的扩张率，[...]表示串联操作，[y1-1,...,y。]表示对前面所有层的输出进行连接之后生成的特征；

S23:在经过DensaASPP完成特征提取后，特征会进行堆叠并且变厚，加入ECA模块，该模块通过直接在全局平均池化层之后使用1×1卷积层，去除全连接层，重新校准特征图的通道权重，选择更加重要的特征通道，提高模型对小尺度信息的提取能力；其用1维卷积高效实现了局部