(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211138291.1 (22)申请日 2022.09.19 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街1 158号 (72)发明人 滕旭阳　林煜凯　冯嘉旖　蔡璐　 高永盛　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 周希良 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) (54)发明名称 基于动态混合策略的城区遥感图像变化深 度监测方法及系统 (57)摘要 本发明公开了一种基于动态混合策略的城 区遥感图像变化深度监测方法及系统， 本发明方 法按如下步骤： S1、 对城市遥感图像进行预处理， 并对不同类别城市区域进行标注， 得到数据集； S2、 基于Xc eption作为骨干网络采用动态混合池 化策略的DeepLabV3+ 网络模型， 利用步骤S1的数 据集训练网络； S3、 将同一城市区域不同时间的 遥感图像进行同比例裁剪， 输入训练好的网络模 型中， 对图像进行分割； S4、 得到城市遥感图像的 区域分类结果后， 计算一段时间内各区域类别的 变化程度并将变化标注在图上。 本发 明对遥感图 像的各层特征图动态地选择不同的池化方式进 行池化， 能够更好地把握图像的全局信息和局部 信息， 提高了分割精度。 权利要求书3页 说明书8页 附图2页 CN 115497006 A 2022.12.20 CN 115497006 A 1.基于动态混合策略的城区遥感图像 变化深度监测方法， 其特 征是按如下步骤： S1、 对城市遥感图像进行 预处理， 并对城市中不同类别的区域进行 标注， 得到数据集； S2、 基于Xception作为骨干网络采用 动态混合池化策略的网络模型， 利用步骤S1的数 据集训练网络； S3、 将同一城市区域不同时间的遥感图像进行同比例裁剪， 输入训练好模型中， 对图像 进行分割； S4、 得到城市遥感图像的区域分类结果后， 计算一段时间内各区域类别的变化程度并 将变化标注在图上。 2.如权利要求1所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征是： 步骤S1中， 遥感影像采用RSSCN7DataSet遥感图像数据集； 或， 步骤S1 中， 对城市遥感图像进 行裁剪和语义分割作为数据的预处理， 裁剪成256*256的大小， 使用Labelme语义分割标注 工具对裁 剪过的图像进行 标注， 将其分为道路、 建筑、 水域、 绿植、 空地五个 类别。 3.如权利要求2所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征是： 步骤S1中， 采用不同颜色对预处理后的遥感图像进行分割与标注， 再采用随机选取的方式 选取训练数据集。 4.如权利要求2或3所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征 是： 步骤S2具体如下： S21、 在编码层， 将检测到的城市遥感图像先经过骨干网络提取特征信息， 将图像大小 依次变为原 始图像大小的1/4， 1/8， 1/16； S22、 由骨干网络得到60*60*2048的特征图进入空洞空间卷积池化金字塔ASPP， ASPP模 块由一个1*1卷积、 三个空洞率分别是6， 12， 18的3*3膨胀卷积层和一个全局平均池化层组 成， 并在此结构的基础上， ASPP模块中全局平均池化采用混合池化策略， 并对输入特征图进 行混合池化得到大小为20*20的特征图， 通过1*1的卷积进行通道压缩， 最后通过反卷积的 方法将其还原为输入特 征图的高和宽， 各部分得到的结果进行拼接融合； S23、 在解码层融合骨干 网络对应层级输出的低层特征和编码层混合后的结果， 经过3* 3卷积核上采样后恢复输入图分辨 率的预测结果， 得到城市遥感图像分类的结果图； S24、 在采用动态混合池化策略DeepLabV3+网络模型中， 用RSSCN7DataSet遥感 图像数 据集对网络模型进行训练， 其 余样本作为测试 数据集用于测试网络模型。 5.如权利要求4所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征是： 步骤S22中， 混合池化策略对2048层特 征图进行优化： 第k层特征图中选择最大池化的频率αk、 选择平均池化的频率βk和选择随机池化的频率 γk为： 其中， i_max为第k层特征 图中选择最大池化为池化方法的频数， i_avg为第k层特征 图权　利　要　求　书 1/3 页 2 CN 115497006 A 2中选择平均池化为池化方法的频数， i_ sto为第k层特征图中选择随机池化为池化方法的频 数， i_total 为已优化第k层特 征图的训练集的大小； 最终模型中第k层特 征图输出的混合池化后的结果 outputk为： 其中， xk_max表示第k层特征图采用最大池化方法后的结果， xk_avg表示第k层特征图采用 平均池化方法后的结果,xk_sto表示第k层特 征图采用随机池化方法后的结果。 6.如权利要求5所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征是： 将ASPP模块中的全局平均池化改进为动态混合池化， 具体步骤 包括： a、 初始化， 在训练DeepLabV3+网络模型之前， 将每层特征 图各个池化策略的初始化权 重αk、 βk和γk都设置为 b、 分别使用最大池化、 平均池化和随机池化的方法对第1层特征图进行池化处理， 使用 混合池化方法对其余特征图进 行池化处理， 通过计算预测值和真实值的平均交并比mIoU来 评估不同池化策略的优劣， 所得mIoU值最大的池化方式作为第1层特征图的所选择的池化 方式； c、 采用步骤b的方法对同一输入的第2 ‑2048层特 征图的池化策略进行优化； d、 对所有的训练集样本均采取 上述步骤b、 c操作； e、 得到训练集中各层特 征图采用不同池化策略的αk、 βk和γk。 7.如权利要求6所述基于动态混合策略的城区遥感图像变化深度监测方法， 其特征是： 步骤S22中采用平均交并比mIoU来评估不同池化策略的优劣， mIoU表示将各个类别预测值 和真实值的交集和并集的比值相加， 再除以类别数量， 表示 为： 其中， k表示非空类别数量， TP表示真正例数量， FP表示假正例数量， FN表示假反例数 量。 8.如权利要求7 所述基于动态混合策略的城区遥感图像 变化深度监测方法， 其特 征是： 步骤S2中， DeepLabV3+网络模型采用逐像素的交叉熵损失函数soft max loss处理多分 类问题， 选取每一个像素点作为一个样本， 对每一个像素 的预测类别和真实类别计算其交 叉熵损失函数； 损失函数softmax在多分类过程中， 将多个输出转化为概率值映射在(0， 1) 区间内进行分类； 经过softmax回归处 理之后的输出为： 其中， e为自然常数2.71， pi,j为第i个样本对第j类的预测概率， li,j为神经网络对第i个 样本在第j类的输出， C为原 始输入类的数目； 上式将输出变为(0， 1)的概率分布， 通过交叉熵损失函数计算预测的概率分布和真实 值的概率分布之间的距离， 具体为：权　利　要　求　书 2/3 页 3 CN 115497006 A 3