(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 202210383509.3 (22)申请日 2022.04.12 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 付莹　方政　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 张利萍 (51)Int.Cl. G06T 11/20(2006.01) G06T 5/50(2006.01) G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01)G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多层级地图的端到端智能生成方法及 系统 (57)摘要 本发明涉及一种多层级地图的端到端智能 生成方法及系统， 属于计算机视觉技术领域。 本 发明根据 深度神经网络， 设计遥感影像生成多层 级地图的多层级地图生成网络， 然后建立多层级 网络地图生成数据集， 使用数据集对生成网络进 行训练， 得到优化的生成网络模型参数。 最后对 遥感影像进行采样处理， 得到多层级遥感影像， 并将收集的影像输入生成网络进行处理， 生成多 层级网络地图。 本发明通过多层 级网络地图生成 网络从遥感影像中生成多层 级网络地图， 能够实 现无需人工参与的多层级网络地图生成， 生成速 度快且花费低。 权利要求书2页 说明书5页 附图2页 CN 114882139 A 2022.08.09 CN 114882139 A 1.一种多层级地图的端到端智能生成方法， 其特 征在于， 包括以下步骤： 步骤1： 根据深度神经网络， 设计遥感影 像生成多层级地图的多层级地图生成网络； 其中， 多层级地图生成网络为端到端网络， 用于从遥感图像中生成多层级地图 图像； 步骤2： 建立多层级网络地图生成数据集； 其中， 数据集中的每一类数据包括遥感影 像、 地图图像、 地理要素 标签和层级标识； 步骤3： 使用数据集对生成网络进行训练， 得到优化的生成网络模型参数； 步骤4： 对遥感影像进行采样处理， 得到多层级遥感影像， 并将收集的影像输入生成网 络进行处 理， 生成多层级网络地图； 其中， 采样方法包括双线性插值、 双三次插值和中值插值。 2.如权利要求1所述的一种 多层级地图的端到端智能生成方法， 其特征在于， 步骤1中， 多层级地图生成网络包括： 层级分类器， 用于判断渲染生成器生成的初步地图所属的层级； 层级分类器包括批归 一化层和卷积层； 地图要素提取器， 用于将从所述的遥感图像中提取地理要素特征； 地图要素提取器包 含基于全 卷积的语义分割网络， 基于Transformer的语义分割网络， 以及基于编码 器解码器 结构的语义分割网络； 渲染生成器， 用于根据 所述的地理要素特征， 遥感影像和层级标识生成初步地图； 渲染 生成器包括基于条件对抗生成网络的生成器， 以及基于循环一致性的对抗生成网络的生成 器； 多层融合生成器， 用于根据所述的多层初步地图生成精修地图； 多层融合生成器包括 批归一化层、 调整 大小层、 基于条件对抗生成网络的生成器， 以及基于循环一致性的对抗生 成网络的生成器； 判别器， 用于判断所述的初步地图和精修地图是否为真； 判别器包括基于条件对抗生 成网络的判别器， 以及基于循环一 致性的对抗 生成网络的判别器。 3.如权利要求1所述的一种 多层级地图的端到端智能生成方法， 其特征在于， 步骤2中， 遥感影像根据最高层级地图分辨率进 行采样， 并根据层 级数进行2倍下采样， 得到多层遥感 影像， 其中每一层遥感影 像分辨率是高一层的二分之一。 4.如权利要求1所述的一种多层级地图的端到端智能生成方法， 其特征在于， 步骤3训 练方法如下： 首先， 将第K层遥感影像和第K ‑1层遥感影像， 分别送入地图要素提取器， 提取地图要 素： M＝Fθ(xK)          (1) 其中， Fθ为地图要素提取器， xK为第K层遥感影 像， M为地图要素； 然后， 将遥感影 像和地图要素、 层级标识拼接送入渲染生成器， 生成初步 地图： 其中， y′K为第K层初步地图， xK为第K层遥感地图， 表示层级信息， Fθ(xK)表示图要素提 取器输出地图要素， G ′表示渲染生成器， φ ′表示渲染生成器参数； 之后， 将得到的K层初步地图和K ‑1层初步地图输入到多层融合生成器中， 完成K层精修权　利　要　求　书 1/2 页 2 CN 114882139 A 2地图的生成： y″K＝G″φ″(y′K， y′K‑1)           (3) 其中， y″K为第K层精修地图， G ″表示多层融合生成器， φ ″ ′表示多层融合生成器参数， y′K‑1为第K‑1层初步地图； 然后， 将第K层初步地图送入层级分类器 中， 判断生成的第K层初步地图所属的层级， 利 用交叉熵损失函数进行优化： 其中， θ是层级分类器C的模型参数， N表示层级数； si为层级第i层的真实值， si中取1的 位置代表该地图为相应的层级， 0代表不是； Cθ(y′K)i为第K层初步地图为第i层的预测置信 度； 最后， 将第K层初步地 图与第K层实际地 图、 第K层精修地图与第K层实际地图分别送入 判别器中， 输出地图真实与否， 更新网络参数： 其中， D是判别器， 是判别器参数， pdata(x)和pdata(y)分别表示遥感影像和实际网络地 图的数据分布； V()是目标函数， E为分布函数的期望值。 5.一种多层级地图的端到端智能生成系统， 其特 征在于， 包括训练模块和生成模块； 其中， 训练模块， 用于建立多层级网络地图生成数据集， 根据多层级网络地图生成数据 集对多层级地图生成网络进行训练； 生成模块， 用于将多层级遥感影像输入预先训练的多层级地图生成网络进行处理， 生 成多层级网络地图； 训练模块的输出端与生成模块的输入端相连。权　利　要　求　书 2/2 页 3 CN 114882139 A 3