(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211125710.8 (22)申请日 2022.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 115205692 A (43)申请公布日 2022.10.18 (73)专利权人 成都戎星科技有限公司 地址 610000 四川省成 都市高新区科园二 路10号2栋2单 元9层2号 (72)发明人 姚慰　张海堂　汪峰　杜健　 蒋天立　任浩　龚珊　周康燕　 (74)专利代理 机构 四川省成 都市天策商标专利 事务所(有限合 伙) 51213 专利代理师 胡慧东 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/26(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 111428678 A,2020.07.17 CN 111582175 A,2020.08.25 CN 109948693 A,2019.0 6.28 CN 113569772 A,2021.10.2 9 CN 111931553 A,2020.1 1.13 CN 113408578 A,2021.09.17 CN 113962850 A,2022.01.21 EP 3611699 A1,2020.02.19 US 2021312 242 A1,2021.10.07 胡娟 等.小样本学习在高分遥感影 像分类 与识别中的应用. 《重庆邮电大 学学报(自然科 学 版)》 .202 2,第34卷(第3期),410 -422. 陈红顺 等.基 于生成对抗网络的遥感影 像 场景分类. 《微型电脑应用》 .202 2,第38卷(第6 期),20-23. (续) 审查员 安静 (54)发明名称 基于生成对抗网络的典型地物要素智能识 别与提取方法 (57)摘要 本发明公开了一种基于生成对抗网络的典 型地物要素智能识别与提取方法， 涉及遥感图像 解译技术领域， 包括以下步骤： 依据测图要求和 生成对抗网络模 型训练要求， 构建地物目标分割 样本数据库， 获取地物目标分割样本； 地物目标 分割模型训练， 生成地物目标分割生成对抗网络 模型； 基于弱监督的区域生 成对抗网络来进行数 据增强以及样本扩充， 进行地物要素识别提取； 对提取的结果进行矢量化处理， 分别生成线状和 面状地物要素的中心线或者轮廓线； 对地物要素 解译数据进行智能优化。 该方法可以实现利用大 批的遥感图像信息智能化识别出所需的地物信息。 [转续页] 权利要求书3页 说明书6页 附图1页 CN 115205692 B 2022.11.29 CN 115205692 B (56)对比文件 陈鋆纯 等.基 于花瑶挑花纹样风格化图像 的辅助设计 研究. 《包 装工程》 .202 2,第43卷(第 14期),246 -253.Svetlana I llarionova 等.Object-Based Augmentati on Improves Qual ity of Remote Sensing. 《Computer Visi on and Pat tern Recognition》 .2021,1-10.2/2 页 2[接上页] CN 115205692 B1.一种基于生成式对抗网络的典型地物要素智能识别与提取方法， 其特征在于， 包括 以下步骤： S10、 依据测图要求和生成对抗网络模型训练要求， 构建地物目标分割样本数据库， 获 取地物目标分割样本； S20、 地物目标分割模型训练， 生成地物目标分割生成对抗网络模型； 所述步骤S20具体 包括以下步骤： （1） 按构建的样本分类体系， 初始化地物类别数目K， 以图像块即像素点的邻域作为提 取区域， 邻域大小在上下文信息和数据量之间进行折中， 对遥感影像进行有重叠地滑 窗处 理， 以中心像素点的标签作为整个区域的标签； 将所有的区域按照中心像素点的标签进行 分组， 一共分为K个组， 因为标记样本很少， 所以只存储有标签的区域， 滤除K个组中无标签 的区域； （2） 构建生成网络G， 用于从噪声生成样本； 生成网络通过5层转置卷积生成图像， 转置 卷积层之间添加Batc h Norm层， 并用Relu层作为激活函数， 最后一层用Tanh函数输出； （3） 构建判别网络D， 用于判别样本是否为真实样本； 判别网络用5层卷积判别图像真 假， 卷积层之间采用Batch  Norm层， 用LeakyRelu作为激活函数， 最后一层用Sigmoid函数输 出； （4） 在类别信息的约束下， 由随机噪声通过生成网络不断生成对应类别的样本， 达到扩 充样本的目的； （5） 设置整体的损失函数， 使用随机梯度下降算法对生成网络的损失和判别网络的损 失进行交替循环优化； 有标注的损失函数 是Lsupervised， 未标注的损失函数 是Lunsupervised： 其中Pdata代表数据的真实分布， Pmodel代表生成模型的噪声分布， E表示数学期望， x表示 输入遥感图像， y表示输入遥感图像x 对应的真实类标图， K为 地物类别数； （6） 分别构建K个区域 生成网络， 每 个网络生成特定类的数据； S30、 基于弱监督的区域生成对抗网络来进行数据增强以及样本扩充， 进行地物要素识 别提取； S40、 对提取的结果进行矢量化处理， 分别生成线状和面状地物要素的中心线或者轮廓 线； S50、 对地物要素解译数据进行智能优化。 2.根据权利要求1所述的基于生成式对抗网络的典型地物要素智能识别与提取方法， 其特征在于， 所述 步骤S10具体包括以下步骤： （1） 构建样本分类体系， 典型地物要素分类依据测图要求划分， 为下一步样本数据采集 制定采样范围； （2） 采取“机器自动生成+人工辅助 标注”的模式进行样本库的构建， 由人工标注一部分 样本， 形成初始样本库， 后引入基于弱监督的生成对抗网络学习进 行样本增强， 之后利用全 卷积网络针对原始影像进 行提取， 自动生成样 本数据， 并进 行人工辅助判读修正， 扩充样本权　利　要　求　书 1/3 页 2 CN 115205692 B 3