(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 20221045470 3.6 (22)申请日 2022.04.28 (71)申请人 中国农业科 学院农业信息 研究所 地址 100089 北京市海淀区中关村南大街 12号 (72)发明人 范蓓蕾　韦任　周清波　王玉庭　 李哲敏　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 韩雪梅 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多分支学习的宅基地识别方法及 系统 (57)摘要 本发明提供一种基于多分支学习的宅基地 识别方法及系统， 属于建筑识别技术领域， 方法 包括： 提取每张样本遥感影像的初步特征， 得到 两个初始特征图； 提取第二初始特征图的底层细 节信息及高层语义信息， 根据高分辨率特征图提 取第一初始特征图的边界信息， 并确定最终边界 图； 基于边界特征图对最终边界图中的边界进行 细化， 并确定样本遥感影像中各像素是否为宅基 地； 根据各像素的预测结果及对应像素的标签信 息确定宅基地识别模型； 根据待识别遥感影像， 基于宅基地识别模型， 确定待识别遥感影像中的 宅基地。 通过提取遥感影像的底层细节信息、 高 层语义信息以及边界信息， 确定遥感影像中各像 素是否为宅基地， 提高了宅基地的识别效率及精 准度。 权利要求书4页 说明书13页 附图5页 CN 115082778 A 2022.09.20 CN 115082778 A 1.一种基于多分支学习的宅基地识别方法， 其特征在于， 所述基于多分支学习的宅基 地识别方法包括： 获取样本图像集； 所述样本图像集中包括多 张样本遥感影像及各样本遥感影像中各像 素的标签信息； 所述标签信息包括0和1； 1代表对应的像素是宅基地； 0代表对应的像素不是 宅基地； 针对每张样本遥感影像， 通过stem结构提取所述样本遥感影像的初步特征， 得到第一 初始特征图和第二初始特 征图； 提取所述第二初始特 征图的底层 细节信息， 得到高分辨 率特征图； 提取所述第二初始特 征图的高层语义信息， 得到语义特 征图； 根据所述高分辨 率特征图， 提取 所述第一初始特 征图的边界信息， 得到边界特 征图； 根据所述高分辨 率特征图、 所述语义特 征图及所述 边界特征图， 确定最终边界图； 基于所述边界特征图， 对所述最终边界图中的边界进行细化， 并确定所述样本遥感影 像中各像素的预测结果； 所述预测结果包括0和1； 0代表对应的像素不是宅基地， 1代表对应 的像素是宅基地； 根据各样本遥感影像中各像素的预测结果及对应像素的标签信 息， 确定宅基地识别模 型； 根据待识别遥感影像， 基于所述宅基地识别模型， 确定所述待识别遥感影像中的宅基 地。 2.根据权利要求1所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述提取所 述样本遥感影像的特征， 得到第一初始特 征图及第二初始特 征图， 具体包括： 依次通过两个3 ×3卷积提取 所述样本 遥感影像的特征， 得到第一初始特 征图； 通过最大池化层对所述第一初始特 征图进行最大池化操作， 得到池化特 征图； 通过ResNet ‑50的第一个瓶颈层对所述池化特征图进行维度变换， 得到第二初始特征 图。 3.根据权利要求1所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述高分辨 率特征图包括第一高分辨率特征图、 第二高分辨率特征图及第三高分辨率特征图； 所述语 义特征图包括第一语义特 征图、 第二语义特 征图、 第三语义特 征图及第四语义特 征图； 所述提取所述第二初始特 征图的底层 细节信息， 得到高分辨 率特征图， 具体包括： 采用基本块 提取所述第二初始特 征图的底层 细节信息， 得到第一细节特 征图； 对所述第一语义特征图进行上采样， 并与所述第一细节特征图进行拼接， 得到第一高 分辨率特征图； 采用基本块 提取所述第一高分辨 率特征图的底层 细节信息， 得到第二细节特 征图； 对所述第二语义特征图进行上采样， 并与所述第二细节特征图进行拼接， 得到第二高 分辨率特征图； 采用基本块提取所述第二高分辨率特征图的底层细节信息， 得到第三高分辨率特征 图。 4.根据权利要求3所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述语义特 征图还包括最终语义特 征图； 所述提取所述第二初始特 征图的高层语义信息， 得到语义特 征图， 具体包括：权　利　要　求　书 1/4 页 2 CN 115082778 A 2采用基本块 提取所述第二初始特 征图的语义信息， 得到第一语义特 征图； 将所述第一细节特征图进行下采样， 并与所述第一语义特征图拼接， 得到第一语义拼 接图； 采用基本块 提取所述第一语义 拼接图的语义信息， 得到第二语义特 征图； 将所述第二细节特征图进行下采样， 并与所述第二语义特征图拼接， 得到第二语义拼 接图； 采用基本块 提取所述第二语义 拼接图的语义信息， 得到第三语义特 征图； 将所述第三高分辨率特征图进行下采样， 并与所述第三语义特征图拼接， 得到第三语 义拼接图； 对所述第三语义 拼接图进行多尺度变换， 得到混合尺度特 征图； 基于空间注意力机制对所述混合尺度特征图的各像素进行加权， 得到最终语义特征 图。 5.根据权利要求4所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述对所述 第三语义 拼接图进行多尺度变换， 得到混合尺度特 征图， 具体包括： 采用扩张率 为1的卷积块对所述第三语义 拼接图进行尺度变换， 得到第一尺度特 征图； 采用扩张率 为2的卷积块对所述第一尺度特 征图进行尺度变换， 得到第二尺度特 征图； 采用扩张率 为4的卷积块对所述第二尺度特 征图进行尺度变换， 得到第三尺度特 征图； 采用扩张率 为8的卷积块对所述第三尺度特 征图进行尺度变换， 得到第四尺度特 征图； 将所述第一尺度特征图、 所述第二尺度特征图、 所述第三尺度特征图及所述第 四尺度 特征图进行拼接， 得到混合尺度特 征图。 6.根据权利要求4所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述基于空 间注意力机制对所述混合尺度特 征图的各像素进行加权， 得到最终语义特 征图， 具体包括： 采用1×1卷积层对所述混合尺度特征图进行尺度变换， 得到第一特征图、 第二特征图 及第三特 征图； 对所述第一特 征图进行变形并转置， 得到第一特 征矩阵； 对所述第二特 征图变形， 得到第二特 征矩阵； 将所述第一特 征矩阵与所述第二特 征矩阵相乘， 得到第一注意力特 征图； 对所述第三特 征图变形， 得到第三特 征矩阵； 将所述第三特征矩阵与所述第 一注意力特征图的转置矩阵相乘， 得到第 二注意力特征 图； 将所述第二注意力特征图中的像素添加到所述混合尺度 特征图中， 得到最终语义特征 图。 7.根据权利要求3所述的基于多分支学习的宅基地识别方法， 其特征在于， 所述根据 所 述高分辨 率特征图， 提取 所述第一初始特 征图的边界信息， 得到边界特 征图， 具体包括： 对所述第一初始特 征图进行 上采样并降维， 得到第一 边界特征图； 将所述第一高分辨率特征图的通道降至单通道， 并进行上采样， 得到第一单通道特征 图； 将所述第一 边界特征图与所述第一单通道特 征图进行拼接， 并生成第一 边界注意力； 根据所述第一 边界特征图及所述第一 边界注意力， 确定第一阶段边界特 征图；权　利　要　求　书 2/4 页 3 CN 115082778 A 3