CN111144335A

CN111144335A - 一种构建建筑物深度学习模型的方法及装置

Info

Publication number: CN111144335A
Application number: CN201911390457.7A
Authority: CN
Inventors: 王忠武; 尤淑撑; 杜磊
Original assignee: Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Current assignee: Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Priority date: 2019-12-30
Filing date: 2019-12-30
Publication date: 2020-05-12

Abstract

本发明提供了一种构建建筑物深度学习模型的方法及装置，其中，该构建建筑物深度学习模型的方法包括：针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；依据深度学习网络以及所述样本对集建立建筑物深度学习模型。可以提高构建的建筑物深度学习模型对建筑物的检测精度。

Description

一种构建建筑物深度学习模型的方法及装置

技术领域

本发明涉及遥感技术与信息科学技术领域，具体而言，涉及一种构建建筑物深度学习模型的方法及装置。

背景技术

深度学习技术，尤其是基于卷积神经网络的深度学习技术，由于具有检测精度高的特点，广泛应用于基于遥感影像的建筑物检测领域。但是在构建基于卷积神经网络的建筑物深度学习模型时，需要大量建筑物之间内部特征差异小、建筑物与非建筑物之间特征差异大的样本遥感影像(数据) 作为支撑，但由于实际工作中，很难获取到所需数量和质量的海量样本遥感影像，严重制约了基于遥感影像的建筑物深度学习模型的工程化应用。例如，目前广泛应用的基于UNet等U型网络的建筑物深度学习模型，当样本遥感影像过少而无法完全覆盖建筑物全部类型时，存在对遥感影像中的建筑物检测精度不高的缺点，尤其是建筑物与道路、水泥路面等地类物相互交叉的情形下，构建的建筑物深度学习模型的精度较低，从而使得利用建筑物深度学习模型检测出的建筑物的检测精度较低。

发明内容

有鉴于此，本发明的目的在于提供构建建筑物深度学习模型的方法及装置，以提高构建的建筑物深度学习模型对建筑物的检测精度。

第一方面，本发明实施例提供了构建建筑物深度学习模型的方法，包括：

针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；

基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；

对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；

依据深度学习网络以及所述样本对集建立建筑物深度学习模型。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述依据深度学习网络以及所述样本对集建立建筑物深度学习模型，包括：

拆分所述样本对集为训练样本对集和测试样本对集；

构建包括编码、多尺度特征、跳连、解码、特征合成、分类的U型语义分割深度学习模型框架，初始化U型语义分割深度学习模型框架的参数；

以训练样本对集中的遥感影像新样本作为所述U型语义分割深度学习模型框架的输入，以该遥感影像新样本对应的标签影像作为所述U型语义分割深度学习模型框架的输出，优化所述U型语义分割深度学习模型框架的参数；

将测试样本对集中的遥感影像新样本输入到优化的U型语义分割深度学习模型框架，获取测试结果；

基于测试结果以及测试结果对应的标签影像，获取所述优化的U型语义分割深度学习模型框架的精度，若所述精度满足预先设置的精度阈值，将所述优化的U型语义分割深度学习模型框架作为建筑物检测深度学习模型。

结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，在所述构建样本对之后，依据深度学习网络以及所述样本对集建立建筑物深度学习模型之前，所述方法还包括：

对所述样本对进行裁切，得到裁切样本对；

针对裁切样本对集中的每一裁切样本对，计算该裁切样本对的裁切标签影像中建筑物像元所占的比例，获取比例不小于预设比例阈值的裁切样本对，得到有效样本对，以依据深度学习网络以及所述有效样本对建立建筑物深度学习模型。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述对所述样本对进行裁切，得到裁切样本对，包括：

采用预先设置的窗口尺寸，对样本对中的遥感影像新样本以及其对应的标签影像分别进行裁切，得到裁切遥感影像新样本以及裁切标签影像，依据裁切遥感影像新样本以及裁切标签影像，组成裁切样本对集。

结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：

获取待检测遥感影像，将所述待检测遥感影像输入所述建筑物深度学习模型，以对所述待检测遥感影像中包含的建筑物进行检测，得到建筑物检测结果。

结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述获取该遥感影像的形态学建筑物指数特征，包括：

根据遥感影像的分辨率和建筑物平均尺寸，确定所述遥感影像的邻域尺度以及领域方向；

依据所述邻域尺度以及领域方向，获取所述遥感影像对应的多尺度差分形态序列；

基于所述多尺度差分形态序列、邻域尺度以及领域方向，获取所述遥感影像的形态学建筑物指数特征。

结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集，包括：

将所述形态学建筑物指数特征作为单独波段增加到所述形态学建筑物指数特征对应的遥感影像中，得到遥感影像新样本；

基于遥感影像集中各遥感影像对应的遥感影像新样本，得到所述遥感影像新样本集。

第二方面，本发明实施例还提供了一种构建建筑物深度学习模型的装置，包括：

MBI特征提取模块，用于针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；

新样本获取模块，用于基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；

样本对构建模块，用于对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；

模型构建模块，用于依据深度学习网络以及所述样本对集建立建筑物深度学习模型。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。

本发明实施例提供的构建建筑物深度学习模型的的方法及装置，通过针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；依据深度学习网络以及所述样本对集建立建筑物深度学习模型。这样，在样本较少无法覆盖全部建筑物类型的情况下，逐一计算遥感影像的形态学建筑物指数特征，并将MBI特征作为单独波段增加到对应的遥感影像中，由于 MBI特征能够有效缩小建筑物类型的内部特征差异、拉大建筑物与非建筑物类型的之间特征差异，有利于在建立建筑物深度学习模型过程中的参数寻优，从而能够有效提高构建的建筑物深度学习模型对建筑物的检测精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的构建建筑物深度学习模型的方法流程示意图；

图2示出了本发明实施例所提供的构建建筑物深度学习模型的装置结构示意图；

图3为本申请实施例提供的一种计算机设备300的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种构建建筑物深度学习模型的方法和装置，下面通过实施例进行描述。

目前，对于基于小样本量的遥感影像构建的建筑物深度学习模型，由于一般很难获取到高质量的海量样本遥感影像，使得基于遥感影像构建的建筑物深度学习模型对建筑物的检测精度较低，因而，本发明实施例提出了一种在小样本量的遥感影像条件下，构造建筑物深度学习模型，在样本遥感影像数量较少、类型不够全的情况下，形成高效率、较高精度的建筑物深度学习模型。

图1示出了本发明实施例所提供的构建建筑物深度学习模型的方法流程示意图。如图1所示，该方法包括：

步骤101，针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；

本发明实施例中，作为一可选实施例，获取该遥感影像的形态学建筑物指数(MBI，Morphology Building Index)特征，包括：

根据遥感影像的分辨率和建筑物平均尺寸，计算遥感影像的形态学建筑物指数特征。

本发明实施例中，依据遥感影像的分辨率和建筑物平均尺寸来计算每景遥感影像的MBI特征。作为一可选实施例，根据遥感影像的分辨率和建筑物平均尺寸，计算遥感影像的形态学建筑物指数特征，包括：

A11，根据遥感影像的分辨率和建筑物平均尺寸，确定所述遥感影像的邻域尺度以及领域方向；

本发明实施例中，作为一可选实施例，利用下式计算遥感影像的邻域尺度：

式中，

S为第i景遥感影像的邻域窗口的尺度，即领域尺度；

BS为建筑物平均长度；

PS为遥感影像的分辨率。

本发明实施例中，建筑物平均尺寸为建筑物平均长度。作为一可选实施例，建筑物平均长度可通过统计方法获取。

A12，依据所述邻域尺度以及领域方向，获取所述遥感影像对应的多尺度差分形态序列；

本发明实施例中，作为一可选实施例，利用下式计算多尺度差分形态序列：

式中，

d为第i景遥感影像中，像元的邻域窗口的方向；

s为第i景遥感影像中，像元的邻域窗口的尺度；

TI_DMP_i ^(d,s)为第i景遥感影像对应的多尺度差分形态序列；

TI_i ^(d,s)(b)为在邻域窗口的方向为d、尺度为s下，对第i景遥感影像对应的亮度遥感影像进行的基于开重建的高帽变化；

Δs为相邻尺度间的尺度差分。

A13，基于所述多尺度差分形态序列、邻域尺度以及领域方向，获取所述遥感影像的形态学建筑物指数特征。

本发明实施例中，作为一可选实施例，利用下式计算MBI特征：

式中，

TI_{i_MBI}为第i景遥感影像的MBI特征。

步骤102，基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；

本发明实施例中，作为一可选实施例，基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集，包括：

A21，将所述形态学建筑物指数特征作为单独波段增加到所述形态学建筑物指数特征对应的遥感影像中，得到遥感影像新样本；

本发明实施例中，通过将MBI特征作为单独波段增加到遥感影像中，有利于缩小各类型建筑物的内部特征差异、拉大建筑物与非建筑物的之间特征差异，有利于建筑物深度学习检测模型的参数寻优，从而提升建筑物检测精度。

本发明实施例中，对于第i景遥感影像TI_i，包含k个波段，该第i景遥感影像TI_i可以表示为：

TI_i＝[TI_i1,TI_i2,...,TI_ik]

将第i景遥感影像TI_i的形态学建筑物指数特征作为单独波段增加到第i 景遥感影像TI_i中，得到的遥感影像新样本为：

TI_{i_MBI}＝[TI_i1,TI_i2,...,TI_ik,TI_{i_MBI}]

本发明实施例中，根据遥感影像的分辨率确定邻域尺度，针对每一遥感影像，计算该遥感影像的MBI特征，并将MBI特征作为单独波段增加到对应的遥感影像中，合成一景新遥感影像。

A22，基于遥感影像集中各遥感影像对应的遥感影像新样本，得到所述遥感影像新样本集。

本发明实施例中，由遥感影像新样本组成的遥感影像新样本集为：

newTI＝[TI_{1_MBI},TI_{2_MBI},...,TI_{n_MBI}]

其中，

newTI为遥感影像新样本集；

n为遥感影像集中包含的遥感影像数。

步骤103，对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；

本发明实施例中，对遥感影像新样本集中的每一景遥感影像新样本，进行建筑物样本标记，生成对应的标签影像。在标记时，需要将建筑物的完整轮廓范围全部标记出。

本发明实施例中，样本对集为：

TID＝[TI_{1_MBI}-TI_{1_label},TI_{2_MBI}-TI_{2_label},...,TI_{n_MBI}-TI_{n_label}]

其中，

TID为样本对集；

TI_{i_label}为第i景遥感影像新样本对应的标签影像，i＝1,2,...,n。

本发明实施例中，作为一可选实施例，对于标记范围内(建筑物)的灰度值用1填充，标记范围外的灰度值用0填充。其中，全部标签影像组成标签影像集。

步骤104，依据深度学习网络以及所述样本对集建立建筑物深度学习模型。

本发明实施例中，作为一可选实施例，依据深度学习网络以及所述样本对集建立建筑物深度学习模型，包括：

A41，拆分所述样本对集为训练样本对集和测试样本对集；

本发明实施例中，训练样本对集和测试样本对集的比例可以依据实际需要确定。例如，若样本对集中包含100对样本对，可以将80对样本对作为训练样本对，其余20对样本对作为测试样本对。

A42，构建包括编码、多尺度特征、跳连、解码、特征合成、分类的U 型语义分割深度学习模型框架，初始化U型语义分割深度学习模型框架的参数；

本发明实施例中，U型语义分割深度学习模型框架的参数包括但不限于：编码深度(ED)、卷积核数量(KN)、多尺度深度(MD)、多尺度步长(MS)、特征合成域大小(FCD)、损失函数类型(LT)、池化方式类型(PT)、激活方式类型(AT)等。

本发明实施例中，作为一可选实施例，对于编码深度，可以根据样本对大小计算最大编码深度。其中，

ED∈[2,ED_{_max}]

ED_{_max}＝MIN(FLOOR(LOG2(Sample_H/8)),FLOOR(LOG2(Sample_W/8)))

其中，

ED为编码深度；

ED_{_max}为最大编码深度；

LOG2为以2为底的对数；

FLOOR为向下取整函数；

MIN()为最小值函数；

Sample_H为样本对中的样本高度；

Sample_W为样本对中的样本宽度。

对于卷积核数量，根据初始卷积核数量，确定编码、多尺度特征、解码三个阶段的卷积核数量。其中，

KN_Encoder_i＝IntialKN*2^(i-1)

KN_MFC_i＝IntialKN*2^(ED-1)

KN_Decoder_i＝IntialKN*2^(ED-i)

其中，

IntialKN为初始卷积核数量；

KN_Encoder为编码模块层卷积核数量；

KN_MFC为多尺度特征构建模块层卷积核数量；

KN_Decoder为解码模块层卷积核数量；

i为编码模块的层数。

对于多尺度深度，可以根据最小检测面积、遥感影像的(空间)分辨率来确定。

[FACTORIAL(MD),FACTORIAL(MD+1)]＝SQRT(MinArea)/R/3

其中，

MD为多尺度深度；

FACTORIAL()为阶乘函数；

SQRT为开方函数；

MinArea为最小检测面积；

R为空间分辨率。

根据多尺度深度，可以确定多尺度步长。

MS_i＝i*3

其中，

MS_i为第i个尺度层的多尺度步长。

根据编码深度和多尺度深度，可以确定特征合成域大小。

FCD∈{1,ED+MD-1}

其中，

FCD为特征合成域大小。

本发明实施例中，损失函数类型包括但不限于：交叉熵损失函数、Dice 损失函数、局部损失函数等。

LT∈{CELoss,DiceLoss,FocalLoss}

其中，

LT为损失函数类型；

CELoss为交叉熵损失函数；

DiceLoss为Dice损失函数；

FocalLoss为局部损失函数。

池化方式类型包括但不限于：最大值池化、平均值池化等。

PT∈{MaxPool,AvePool}

PT为池化方式类型；

MaxPool为最大值池化；

AvePool为平均值池化。

本发明实施例中，激活方式类型包括但不限于：修正线性激活、漏洞修正线性激活、截断修正线性激活等。

AT∈{Relu,LeakyRelu,ClippedRelu}

其中，

AT为激活方式类型；

Relu为修正线性激活；

LeakyRelu为漏洞修正线性激活；

ClippedRelu为截断修正线性激活。

A43，以训练样本对集中的遥感影像新样本作为所述U型语义分割深度学习模型框架的输入，以该遥感影像新样本对应的标签影像作为所述U型语义分割深度学习模型框架的输出，优化所述U型语义分割深度学习模型框架的参数；

本发明实施例中，针对训练样本对集中的每一遥感影像新样本，以该遥感影像新样本作为U型语义分割深度学习模型框架的输入，以该遥感影像新样本对应的标签影像作为U型语义分割深度学习模型框架的输出，利用minibatch梯度下降法进行参数寻优训练，以获得参数的局部最优值。

A44，将测试样本对集中的遥感影像新样本输入到优化的U型语义分割深度学习模型框架获取测试结果；

A45，基于测试结果以及测试结果对应的标签影像，获取所述优化的U 型语义分割深度学习模型框架的精度，若所述精度满足预先设置的精度阈值，将所述优化的U型语义分割深度学习模型框架作为建筑物检测深度学习模型。

本发明实施例中，针对测试样本对集中的每一遥感影像新样本，基于优化的U型语义分割深度学习模型框架，可以得到该遥感影像新样本对应的测试结果，将该测试结果与该遥感影像新样本对应的标签影像进行匹配，确定测试结果与标签影像的匹配度，匹配度越高，表明优化的U型语义分割深度学习模型框架的精度也越高，通过各测试结果与对应的标签影像的匹配度的统计，可以确定优化的U型语义分割深度学习模型框架的精度。

本发明实施例中，若所述精度不能满足预先设置的精度阈值，则可以通过调整比例阈值，适当增加样本对的数目，从而使得训练样本对集以及测试样本对集中的样本数均适当增加，从而可以对优化的U型语义分割深度学习模型框架再进行参数寻优训练，直至优化的U型语义分割深度学习模型框架的输出精度满足精度阈值。

本发明实施例中，针对预先采集的遥感影像集中的每一景遥感影像，获取该遥感影像的形态学建筑物指数特征；基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集；对遥感影像新样本集的每一遥感影像新样本中包含的建筑物进行标记，得到标签影像，依据各标签影像以及该标签影像对应的遥感影像新样本，构建样本对集；依据深度学***均尺寸，逐一计算形态学建筑物指数特征，并将MBI 特征作为单独波段增加到对应的遥感影像中，以构造遥感影像新样本集，基于遥感影像新样本集建立建筑物深度学习模型，通过MBI特征的加入，有利于缩小建筑物类型的内部特征差异、拉大建筑物与非建筑物类型的之间特征差异，有利于U型语义分割深度学习模型框架的参数寻优，从而使得利用U型语义分割深度学习模型框架构建的建筑物深度学习模型得精度高，进而利用高精度的建筑物深度学习模型进行建筑物识别，识别或检测精度高；并在少量样本的情况下，也能保障U型语义分割深度学习模型框架的检测精度，从而实现高效率、高精度的建筑物检测样本数据快速验证。

本发明实施例中，作为一可选实施例，在所述构建样本对之后，依据深度学习网络以及所述样本对集建立建筑物深度学习模型之前，该方法还包括：

B11,对所述样本对进行裁切，得到裁切样本对；

本发明实施例中，作为一可选实施例，对所述样本对进行裁切，得到裁切样本对，包括：

本发明实施例中，采用固定大小(TS*TS)的窗口，对样本对集中的每一对样本对(TI_{i_MBI}-TI_{i_label})进行裁切，得到裁切遥感影像新样本以及裁切标签影像。

本发明实施例中，对一样本对进行裁切后，可以形成一个或多个裁切样本对，所有裁切形成的裁切样本对组成裁切样本对集。

本发明实施例中，作为一可选实施例，依据下式设置窗口尺寸：

其中，

TS为窗口尺寸，以像元为单位；

INT为取整函数；

MGB为图形处理器(GPU，Graphics Processing Unit)卡显存容量，单位Gb，即运行建筑物深度学习模型的终端的GPU卡显存容量；

k为遥感影像包含的波段数；

GR为遥感影像的灰度位数。

B12,针对裁切样本对集中的每一裁切样本对，计算该裁切样本对的裁切标签影像中建筑物像元所占的比例，获取比例不小于预设比例阈值的裁切样本对，得到有效样本对，以依据深度学习网络以及所述有效样本对建立建筑物深度学习模型。

本发明实施例中，对裁切样本对集中的每一裁切样本对，提取该裁切样本对的裁切标签影像，计算提取的裁切标签影像中建筑物对应的像元占该裁切标签影像中全部像元的比例。

本发明实施例中，作为一可选实施例，依据下式计算比例：

其中，

P_j为第j对裁切样本对的裁切标签影像中，非建筑物像元占全部像元的比例；

SP_Building为第j对裁切样本对的裁切标签影像中的建筑物像元数。

本发明实施例中，由于裁切标签影像的尺寸为窗口尺寸，因而，裁切标签影像包含的像元数为窗口尺寸。

本发明实施例中，作为一可选实施例，如果裁切标签影像的P_j＞0.95，则删除包含该裁切标签影像的裁切样本对，否则，保留包含该裁切标签影像的裁切样本对。当然，实际应用中，比例阈值也可以依据实际需要进行设置，只要使得有效样本对中包含合适比例的建筑物像元和非建筑物像元即可，以形成正负样本，便于建立建筑物深度学习模型。

本发明实施例中，作为另一可选实施例，该方法还包括：

下面结合具体实例，对本发明实施例进行详细说明。

从航空影像数据网站：

(https://project.inria.fr/aerialimagelabeling/)选取405平方公里的遥感影像及其地面真值数据，成像区域为austin、chicago、vienna 等五个区域，包括建筑物密集的城市和建筑物稀疏的郊区，每个区域有36 景5000*5000像元的三波段真彩色遥感影像，遥感影像共计180景，空间分辨率为0.3米。其中，

选取80景遥感影像作为测试遥感影像，其对应标签影像作为地面真值用于检验建筑物样本数据验证的精度。从剩余100景遥感影像中，分别选择15、50、100景遥感影像及其对应标签影像作为训练遥感影像和标签影像，通过样本裁切、剔除等处理，得到裁切样本对。表1为本发明实施例选取的训练样本(训练样本对集)和测试样本(测试样本对集)。

表1

本发明实施例中，采用256*256的方形窗口对遥感影像新样本、标签影像进行裁切。

本发明实施例中，编码深度的取值为4、卷积核数量为64、多尺度深度为1、多尺度步长为1、特征合成域大小为5、损失类型为CELoss、池化类型为MaxPool、激活类型为Relu。

本发明实施例中，U型语义分割深度学习模型框架的参数的最大迭代次数为5次，批量样本大小为12，学习率为0.01。

本发明实施例中，当分别采用数量为3349、9803、20275有效样本时，构建的建筑物深度学习模型的精度分别为0.5441、0.5814、0.6549，相对于现有建筑物深度学习模型的精度，分别为0.5225、0.4395、0.6471，可见，本发明实施例的遥感影像的处理方式具有较好效果；而随着样本数量的增加，建筑物深度学习模型的精度稳步提升，相对于现有方法的精度时高时低，极不稳定，无法满足样本快速验证的需要，本发明实施例稳定性好，能够满足样本快速验证的需要。由于MBI特征能较好的缩小不同建筑物间的特征差别、扩大建筑物与非建筑物间的特征差别，这样，在样本较少无法覆盖全部建筑物类型的情况下，也能达到0.54-0.65以上的精度，可以有效提高2至15个百分点的建筑物深度学习模型的绝对精度。

表2为通过本发明实施例方法构建的模型与现有模型的交并比(IOU，Intersection over Union)比较。

表2

图2示出了本发明实施例所提供的构建建筑物深度学习模型的装置结构示意图。如图2所示，该装置包括：

本发明实施例中，根据遥感影像的分辨率和建筑物平均尺寸，计算遥感影像的形态学建筑物指数特征。

本发明实施例中，作为一可选实施例，MBI特征提取模块，包括：

尺度确定单元(图中未示出)，用于针对预先采集的遥感影像集中的每一景遥感影像，根据遥感影像的分辨率和建筑物平均尺寸，确定所述遥感影像的邻域尺度以及领域方向；

序列获取单元，用于依据所述邻域尺度以及领域方向，获取所述遥感影像对应的多尺度差分形态序列；

MBI特征提取单元，用于基于所述多尺度差分形态序列、邻域尺度以及领域方向，获取所述遥感影像的形态学建筑物指数特征。

本发明实施例中，作为一可选实施例，新样本获取模块，包括：

特征扩充单元(图中未示出)，用于将所述形态学建筑物指数特征作为单独波段增加到所述形态学建筑物指数特征对应的遥感影像中，得到遥感影像新样本；

新样本获取单元，用于基于遥感影像集中各遥感影像对应的遥感影像新样本，得到所述遥感影像新样本集。

本发明实施例中，作为一可选实施例，模型构建模块，包括：

拆分单元(图中未示出)，用于拆分所述样本对集为训练样本对集和测试样本对集；

模型初始构建单元，用于构建包括编码、多尺度特征、跳连、解码、特征合成、分类的U型语义分割深度学习模型框架，初始化U型语义分割深度学习模型框架的参数；

训练单元，用于以训练样本对集中的遥感影像新样本作为所述U型语义分割深度学习模型框架的输入，以该遥感影像新样本对应的标签影像作为所述U型语义分割深度学习模型框架的输出，优化所述U型语义分割深度学习模型框架的参数；

测试单元，用于将测试样本对集中的遥感影像新样本输入到优化的U 型语义分割深度学习模型框架，获取测试结果；

模型获取单元，用于基于测试结果以及测试结果对应的标签影像，获取所述优化的U型语义分割深度学习模型框架的精度，若所述精度满足预先设置的精度阈值，将所述优化的U型语义分割深度学习模型框架作为建筑物检测深度学习模型。

本发明实施例中，作为一可选实施例，该装置还包括：

样本优化模块(图中未示出)，用于对所述样本对进行裁切，得到裁切样本对；

本发明实施例中，作为另一可选实施例，该装置还包括：

检测模块(图中未示出)，用于获取待检测遥感影像，将所述待检测遥感影像输入所述建筑物深度学习模型，以对所述待检测遥感影像中包含的建筑物进行检测，得到建筑物检测结果。

如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图 1中的构建建筑物深度学习模型的方法，该设备包括存储器301、处理器302 及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述构建建筑物深度学习模型的方法的步骤。

具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述构建建筑物深度学习模型的方法。

对应于图1中的构建建筑物深度学习模型的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述构建建筑物深度学习模型的方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述构建建筑物深度学习模型的方法。

在本申请所提供的实施例中，应该理解到，所揭露***和方法，可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory， ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种构建建筑物深度学习模型的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述依据深度学习网络以及所述样本对集建立建筑物深度学习模型，包括：

拆分所述样本对集为训练样本对集和测试样本对集；

3.根据权利要求1或2所述的方法，其特征在于，在所述构建样本对之后，依据深度学习网络以及所述样本对集建立建筑物深度学习模型之前，所述方法还包括：

对所述样本对进行裁切，得到裁切样本对；

4.根据权利要求3所述的方法，其特征在于，所述对所述样本对进行裁切，得到裁切样本对，包括：

5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1或2所述的方法，其特征在于，所述获取该遥感影像的形态学建筑物指数特征，包括：

7.根据权利要求1或2所述的方法，其特征在于，所述基于所述形态学建筑物指数特征以及所述形态学建筑物指数特征对应的遥感影像，得到遥感影像新样本集，包括：

8.一种构建建筑物深度学习模型的装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的构建建筑物深度学习模型的方法的步骤。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的构建建筑物深度学习模型的方法的步骤。