买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中师范大学

摘要：本发明公开了融合跳跃网络与MaskR‑CNN模型的梯田遥感识别方法，包括：1获取用于梯田识别的高分辨率遥感影像，并进行预处理，包括辐射定标、大气校正、几何校正、波段融合、影像裁剪；2依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集；3将跳跃网络与MaskR‑CNN模型进行融合，提出JAM‑R‑CNN模型；4利用训练数据集进行模型训练，再将验证数据集用于选择模型最优参数，最后利用测试数据集进行梯田识别及结果评价。本发明能够有效地减少梯田识别结果的粘连现象，同时明显提高狭长型梯田的提取率，实现了梯田的高精度遥感识别，具有较好的应用价值。

主权项：1.融合跳跃网络与MaskR-CNN模型的梯田遥感识别方法，其特征在于，包括以下步骤：步骤S1：获取用于梯田识别的高分辨率遥感影像，并进行预处理，包括辐射定标、大气校正、几何校正、波段融合、影像裁剪；步骤S2：依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集；步骤S3：将跳跃网络与MaskR-CNN模型进行融合，提出JAM-R-CNN模型，包括以下步骤：步骤S31：在MaskR-CNN模型的特征金字塔模块中，加入跳跃网络，减少高分遥感影像的语义特征损失，维持全过程的高分辨率细节特征信息，包括以下步骤：步骤311：在跳跃网络的横向结构中，将每一层特征图通过重复卷积计算来保持每一层的同分辨率特征图，卷积核大小为3×3，以获取更多的高语义特征信息，其中第一层添加3个卷积层，第二层添加2个卷积层，第三层添加1个卷积层，步骤312：在跳跃网络的纵向结构中，将浅层特征图通过卷积的方式不断融入到深层特征图中，丰富深层特征图中的高分辨率信息，步骤313：跳跃网络中所有的连接操作均采用相加的方式，以保留特征图更完整的空间信息，跳跃网络的横向结构和纵向结构的具体计算公式如下： 式中，Cm,n表示第m层第n个跳跃模块的计算结果，Px表示第x层的输出计算结果，Lx表示模型网络骨架第x层的计算结果，Conv1表示卷积核为3的卷积运算函数，Conv2表示卷积核为3、步长为2的卷积运算函数，Upsample表示上采样插值计算函数，步骤S32：选用ResNet50作为MaskR-CNN模型的骨架，在每层卷积结构之间加入卷积注意力机制，强化梯田的多尺度特征表达，步骤S33：在MaskR-CNN模型的区域建议网络模块中，通过计算样本中所有梯田块的外接矩形长宽比来修改模型的原始锚框大小，步骤S34：模型使用交叉熵损失函数来计算模型训练过程中的损失值，并采用随机梯度下降法来不断优化模型寻找全局最优值，从而将模型训练到最优；步骤S4：基于步骤S2得到的训练数据集进行模型训练，再利用验证数据集选择模型最优参数，最后将测试数据集输入到JAM-R-CNN模型中，进行梯田识别与结果评价。

全文数据：

权利要求：

百度查询： 华中师范大学 融合跳跃网络与Mask R-CNN模型的梯田遥感识别方法