(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 202210605408.6 (22)申请日 2022.05.30 (71)申请人 北京航空航天大 学杭州创新研究院 地址 310052 浙江省杭州市滨江区创慧街 18号 (72)发明人 高飞　孔令哲　王俊　陈鹏辉　 罗喜伶　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 专利代理师 秦莹 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于全卷积神经网络的道路提取方法及系 统 (57)摘要 本发明公开了一种基于全卷积神经网络的 道路提取方法及系统， 包括， 在FCN的基础上改进 网络模型， 得到深度卷积神经网络； 以损失函数 最小为目标在训练集上训练神经网络， 得到道路 提取网络模型； 将用于测试的SAR图像输入道路 提取模型， 获取SAR图像中的道路网络。 本发明可 以实现道路提取。 权利要求书2页 说明书5页 附图6页 CN 114882473 A 2022.08.09 CN 114882473 A 1.一种基于全卷积神经网络的道路提取 方法， 其特 征在于， 包括， S1、 建立深度卷积神经网络； S2、 以损失函数最小为目标在SA R图像训练集上训练深度卷积神经网络， 得到道路提取 网络模型； S3、 将用于测试的SAR图像输入道路提取模型， 获取SAR图像中的道路网络 。 2.根据权利要求1所述的方法， 其特征在于， 所述S1具体包括： 建立输入层、 多尺度 特征 提取层、 空洞卷积连接层、 反卷积层、 道路连接性增强网络层和输出层连接的深度卷积神经 网络。 3.根据权利要求2所述的方法， 其特征在于， 所述输入层包括依次连接的一个卷积层、 一个BN层、 一个ReLU激活函数层和一个最大池化层， 所述输入层用于减小输入图像的尺寸。 4.根据权利要求3所述的方法， 其特征在于， 所述多尺度特征提取层包括4个依次连接 的单元， 第一单元、 第二单元、 第三单元和第四单元依次由3、 4、 6和3个多尺度特征提取模块 构成， 所述单个多尺度特征提取模块用于使用一个3*3卷积对输入特征进行特征提取得到 特征图， 然后将特征图按通道平均划分为三份， 对 所述三份特征图分别使用3*3、 5*5、 7*7的 卷积获得不同尺度下的特征， 每个卷积后均有一个批归一化层和一个ReLU激活函数层， 将 所得不同尺度三种特征图按通道拼接后使用一个1*1卷积融合各个通道的特征得到融合后 的特征图， 最后 将输入特征与融合后的特征图相加， 第一单元输入减小尺寸后的输入图像， 第四单元输出融合道路特 征。 5.根据权利要求4所述的方法， 其特征在于， 所述空洞卷积连接层包含依次连接的四个 空洞卷积， 第一空洞卷积、 第二空洞卷积、 第三空洞卷积和第四空洞卷积后均有一个ReLU激 活函数层， 第一空洞卷积为输入， 第一空洞卷积、 第二空洞卷积、 第三空洞卷积和第四空洞 卷积的输出相加得到强化道路特 征。 6.根据权利要求5所述的方法， 其特征在于， 所述反卷积层包括五个依次连接的反卷积 单元； 其中， 前四个反卷积单元都由一个3*3反卷积层、 一个批归一化层和一个ReLU激活函数 层依次连接组成， 前四个反卷积单元为第五反卷积单元、 第四反卷积单元、 第三反卷积单元 和第二反卷积单 元， 第五反卷积单 元的输入为强化道路特 征； 最后一个第一反卷积单元包含依次连接的一个4*4反卷积、 两个3*3常规卷积和 Sigmoid激活函数， 所述第一单元、 第二单元和第三单元后输出的特征图经过注 意力机制模 块处理后分别与第五反卷积单元、 第四反卷积单元和第三反卷积单元后输出的特征图相 加， 进行特征融合， 从第一反卷积单 元输出道路预测概 率图。 7.根据权利要求6所述的方法， 其特 征在于， 所述道路连接性增强网络包括： 编码器与解码器； 所述编码器包括4个3*3卷积， 每个卷积之后连接一个批归一化层和一个ReLU激活函 数， 在第二、 第三和第四个3*3编码 器卷积之后各连接一个最大池化， 第一个3*3编码器卷积 输入道路预测概 率图， 所述 4个3*3卷积提取 所述道路预测概 率图中的信息； 所述解码器包括4个3*3卷积， 所述4个3*3卷积学习 道路预测概率图中每个像素点的修 正值， 在第一、 第二和第三个解码 器卷积之前使用双线性插值的2倍上采样逐步还原道路预 测概率图的空间结构， 并在每一次上采样后将编码器中对应尺寸的特征图与当前特征图进权　利　要　求　书 1/2 页 2 CN 114882473 A 2行通道拼接， 融合不同层级的特征， 在第四个3*3卷积之后， 将输出结果与输入的道路预测 概率图相加， 最后使用Sigmo id激活函数获得 连接性增强后的道路预测概 率图； 所述输出层用于将大于阈值的像素值置为1， 小于阈值的像素值置为0 。 8.根据权利要求7所述的方法， 其特征在于， S2具体包括： 将训练集图像输入构建的深 度卷积神经网络， 得到道路预测概率图， 结合道路真值计算损失函数值， 通过反向传播算法 更新神经网络参数， 每个训练epoch结束比较当前损失函数值与上一epoch损失函数值， 若 损失函数值下降， 保存当前网络模 型， 当损失函数值连续4个epoch不下降时， 更新学习率为 原来的0.2倍； 当损失函数值连续7个epoc h不下降时， 判定模型收敛， 结束训练。 9.根据权利要求8所述的方法， 其特 征在于， S3具体包括： 将测试SAR图像输入训练后的道路提取网络模型， 获得道路预测二值图， 通过改变输出 层分割阈值， 比较回归率和精确度， 确定最佳分割阈值， 获得最佳的道路提取二 值图。 10.一种基于全卷积神经网络的道路提取系统， 其特 征在于， 包括， 建立模块： 用于建立深度卷积神经网络； 训练模块： 用于以损失函数最小为目标在SAR图像训练集上训练深度 卷积神经网络， 得 到道路提取网络模型； 测试模块： 将用于测试的SAR图像输入道路提取模型， 获取SAR图像中的道路网络 。权　利　要　求　书 2/2 页 3 CN 114882473 A 3