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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜浙江工業(yè)大學申請的專利一種基于弱監(jiān)督學習的高分遙感不透水面提取方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114581729B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210170422.8，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)一種基于弱監(jiān)督學習的高分遙感不透水面提取方法是由王衛(wèi)紅;楊家琪;夏列鋼設(shè)計研發(fā)完成，并于2022-02-24向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于弱監(jiān)督學習的高分遙感不透水面提取方法在說明書摘要公布了：一種基于弱監(jiān)督深度學習的高分不透水面提取方法，首先根據(jù)提取任務(wù)確定遙感地物目標并制作少量精確高分辨率遙感圖像樣本標簽和大量粗粒度中分辨率遙感圖像樣本標簽。然后使用少量精確樣本標簽訓練小樣本集不透水面模型。再使用小樣本集不透水面模型預(yù)測大量高分無標簽影像，得到大量高分遙感影像不透水面?zhèn)螛撕灒瑥闹刑暨x大量更準確高分遙感影像樣本標簽結(jié)合少量精確樣本標簽作為新的訓練集，多次循環(huán)訓練生成新的不透水面模型，直至模型精度不再提升，用最終模型預(yù)測生成最終樣本標簽，再結(jié)合大量中分遙感不透水面弱標簽數(shù)據(jù)訓練生成大樣本集不透水面模型，最后用大樣本集不透水面模型預(yù)測待生產(chǎn)的高分遙感影像，獲取最終的不透水面提取結(jié)果。

本發(fā)明授權(quán)一種基于弱監(jiān)督學習的高分遙感不透水面提取方法在權(quán)利要求書中公布了：1.一種基于弱監(jiān)督學習的高分遙感不透水面提取方法，包括如下步驟：步驟1：用少量精確高分影像樣本標簽數(shù)據(jù)的訓練集訓練一個卷積神經(jīng)網(wǎng)絡(luò)；根據(jù)高分遙感影像的特點選取合適的語義分割網(wǎng)絡(luò)模型進行訓練，步驟如下：步驟1.1：選取適合高分遙感影像地物目標提取的語義分割網(wǎng)絡(luò)模型，這里選擇的是D-LinkNet語義分割網(wǎng)絡(luò)模型；步驟1.2：制作高分遙感影像樣本，從高分遙感影像數(shù)據(jù)集中選取百分之十至百分之二十的高分遙感影像圖片作為小樣本數(shù)據(jù)集，人工對小樣本數(shù)據(jù)集中不透水面區(qū)域進行精細化標注，生成少量精確不透水面標簽圖像；步驟1.3：對步驟1.2得到的少量精確不透水面標簽圖像進行數(shù)據(jù)增強，這里采用影像的隨機水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、添加噪聲等方法，減少神經(jīng)網(wǎng)絡(luò)的過擬合問題，同時對訓練集的掩膜進行同樣的操作；步驟1.4：在訓練過程中選取合適的損失函數(shù)以及網(wǎng)絡(luò)優(yōu)化器，選取DiceLoss和BceLoss組成損失函數(shù)，DiceLoss的定義為： 其中|X∩Y|是X和Y的交集，|X|和|Y|分別表示X和Y的元素的個數(shù)，其中，分子的系數(shù)為2，是因為分母存在重復計算X和Y之間的共同元素的原因；BceLoss的定義為：ln＝-wn[yn·logxn+1-yn·log1-xn]2式中，xn表示第n個樣本實際預(yù)測值，yn表示實際的標簽，wn為超參數(shù)，ln表示第n個樣本對應(yīng)的loss；神經(jīng)網(wǎng)絡(luò)優(yōu)化器選用自適應(yīng)矩估計優(yōu)化器Adam訓練網(wǎng)絡(luò)參數(shù)；之后對每一個epoch進行網(wǎng)絡(luò)權(quán)值更新操作，通過設(shè)置earlystopping和調(diào)整learningrate來加速神經(jīng)網(wǎng)絡(luò)訓練以此更快收斂；步驟1.5：進行訓練得到神經(jīng)網(wǎng)絡(luò)訓練模型；步驟2：獲取大量高分掩膜大圖；用高分影像數(shù)據(jù)的測試集以及其他高分未標定的高分影像數(shù)據(jù)作為輸入，從預(yù)測結(jié)果中篩選高置信度樣本，使用步驟1標記數(shù)據(jù)以及偽標簽訓練新模型，用新模型替換步驟1生成的模型，重復以上步驟直至模型效果不再提升，用最終模型對剩余未知標簽數(shù)據(jù)進行預(yù)測，得到最終標簽，具體步驟如下：步驟2.1：加載步驟1訓練好的神經(jīng)網(wǎng)絡(luò)模型；步驟2.2：讀入測試數(shù)據(jù)集，按行列切分大圖；步驟2.3：前向傳播獲得結(jié)果，分步對結(jié)果進行輸出和保存；步驟2.4：從預(yù)測結(jié)果中篩選高置信度樣本，使用步驟1標記數(shù)據(jù)以及偽標簽訓練新模型；步驟2.5：用新模型替換步驟1生成的模型，重復以上步驟直至模型效果不再提升，用最終模型對剩余未知標簽數(shù)據(jù)進行預(yù)測，得到最終標簽；步驟3：利用步驟2獲得的大量高分掩膜大圖結(jié)合大量中分不透水面遙感影像弱監(jiān)督標簽數(shù)據(jù)訓練一個更精確卷積神經(jīng)網(wǎng)絡(luò)模型；根據(jù)步驟1與步驟2所用高分影像圖片的地理坐標和中分影像對應(yīng)，將高分影像按行列獲取像素坐標，裁剪對應(yīng)位置中分影像，然后用該結(jié)果作為新的輸入重新訓練一個高分影像數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，用于預(yù)測高分影像的不透水面，具體步驟如下：步驟3.1：讀入步驟1使用與步驟2獲取的高分掩膜大圖；步驟3.2：利用gdal庫函數(shù)的工具類方法，按照行列獲取對應(yīng)坐標；步驟3.3：根據(jù)高分影像與中分影像的坐標對應(yīng)關(guān)系裁剪對應(yīng)位置中分遙感影像數(shù)據(jù)；步驟3.4：獲取高分遙感影像不透水面中心點坐標，根據(jù)坐標對應(yīng)關(guān)系在中分遙感影像數(shù)據(jù)上進行標注，之后再使用boundingbox標記中分遙感影像不透水面區(qū)域，生成大量中分遙感影像不透水面弱監(jiān)督標簽；利用得到的中分遙感影像數(shù)據(jù)結(jié)合步驟1和步驟2所得到的大量高分掩膜大圖訓練生成高分不透水面提取模型，從而實現(xiàn)對高分遙感影像不透水面自動化提取。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人浙江工業(yè)大學，其通訊地址為：310014 浙江省杭州市拱墅區(qū)潮王路18號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。