買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜北京航空航天大學;中國科學院空間應用工程與技術中心申請的專利一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114529552B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210202403.9，技術領域涉及：G06T7/10；該發明授權一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法是由劉慶杰;張明明;溫奇;王蘊紅設計研發完成，并于2022-03-03向國家知識產權局提交的專利申請。

本一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法在說明書摘要公布了：本發明公開了一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法，本方法首先使用兩階段檢測網絡結構，通過該網絡從遙感影像中提取建筑物的特征信息，利用ROI?Align操作對建筑物檢測框進行操作得到建筑物的特征圖，然后在該特征圖上使用基于注意力機制的長短時記憶網絡對建筑物輪廓進行建模預測，在輪廓預測過程中，先做邊緣檢測和關鍵點檢測，將關鍵點得分最高的頂點作為開始頂點，輸入到基于注意力機制的長短時記憶網絡中開始預測，直到碰到結束標志或達到最大時序長度時結束預測，最后將預測的頂點結果映射到原圖，并按照順序相連得到建筑物的輪廓。

本發明授權一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法在權利要求書中公布了：1.一種基于幾何輪廓頂點預測的遙感影像建筑物分割方法，其特征在于，包括以下步驟：S1：讀取地區的遙感影像圖，將所有數據預處理切分到512×512像素大小，獲取訓練集和測試集；S2：構建網絡模型，包括建筑物檢測模塊和輪廓預測模塊；S3：對網絡模型進行訓練，得到建筑物分割模型；S4：將未分割的遙感圖像輸入到已訓練完成的建筑物分割模型中，得到結果；所述步驟S2中建筑物檢測模塊為兩階段檢測模型，該模型利用基于transformer的特征提取器提取特征，獲取特征提取器每層提取到的特征得到特征金字塔；使用區域生成網絡提取候選框；RCNN頭部對候選框進行分類和回歸，得到建筑物檢測框；所述步驟S2中輪廓預測模塊執行以下步驟：S2-1：將特征金字塔的多層特征進行融合得到更豐富的特征P，然后在該特征P上對檢測框進行ROI-Align操作得到檢測框對應的特征R，并將特征R映射到28×28大小，獲取更高分辨率的特征；S2-2：對檢測框做邊緣檢測和關鍵點檢測，將預測概率最大的關鍵點作為起始點，輸入到輪廓預測模塊中開始進行輪廓預測；所述步驟S2-1中特征融合具體為：特征金字塔網絡產生的多層特征定義為P＝{P2,P3,P4,P5}，以特征P3為基礎，將其他層特征信息通過池化操作或線性插值調整到與P3同等尺度，然后將特征相加并平均后得到更豐富的特征信息層P3，利用建筑物檢測模塊提取到的檢測框在更豐富的特征信息層P3進行ROI-Align操作獲得檢測框對應的特征，將提取的特征映射到28×28大小，獲得高分辨率特征RN×256×28×28；所述步驟S2-2中起始點通過以下方式確定：使用兩個3×3卷積提取步驟S2-1獲得的特征圖特征，利用組歸一化幫助訓練，通過兩個1×1卷積，分別獲得建筑物的邊界掩碼E和建筑物頂點預測V，V經過sigmoid激活后，得到每一個建筑物頂點的概率，選擇最大概率的點作為起始點S；所述步驟S2-2中輪廓預測具體為：當前時序的頂點位置yt的預測建模公式如下：Pyt|yt-1,yt-2,y01其中，y0為起始點位置，yt-1為上一時刻預測位置，yt-2為上上次時刻預測位置；在步驟S2-1得到的特征圖上拼接頂點的位置信息，包括x坐標信息和y坐標信息的兩層特征圖，其取值范圍為-1,1，根據特征圖尺度均勻取值，然后進行兩個3×3卷積提取特征F；對E和V使用sigmoid函數激活，獲得參考預測信息；拼接E，V，F和三個預測結果，使用兩個維度為64的基于注意力機制的長短時記憶網絡提取時空特征；使用兩個全連接網絡分別預測類別和偏置，當網絡感知到需要再次預測第一個位置時，輸出結束標志完成預測；在訓練過程中，對每次預測結果替換為真實結果，測試時使用預測結果，將預測結果映射為二值圖；對于第一個時序，使用全為0的特征圖代替；模型的總體損失為：L＝Ledge+λvertex*Lvertex+Loffset+Lrnn+Ldet2其中，Ledge表示建筑物邊緣預測損失，Lvertex表示建筑物頂點預測損失，Loffset表示時序頂點預測中的偏置回歸損失，Lrnn表示時序頂點預測中的分類損失，Ldet表示建筑物檢測損失，建筑物頂點預測損失權重λvertex＝10，利用總體損失監督訓練建筑物分割模型；建筑物頂點預測過程，為保證正負訓練樣本平衡，避免訓練過程中正樣本附近存在的拉扯現象，利用2D高斯分布建模衰減系數，得到公式如3所示，其中offsetx,offsety表示樣本相對groundtruth的偏移量， 利用sigmoid激活函數，表示一個特征點是建筑物頂點的概率，利用衰減系數和Focalloss損失計算頂點預測損失Lvertex，公式如4所示， 其中，γ為聚焦參數，β為權重因子，p表示預測樣本屬于1的概率，p的取值為0-1，θ為衰減系數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京航空航天大學;中國科學院空間應用工程與技術中心，其通訊地址為：100191 北京市海淀區學院路37號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。