(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 202210283727.X (22)申请日 2022.03.22 (71)申请人 浙江省测绘科 学技术研究院 地址 311121 浙江省杭州市余杭区五常街 道地信路2号 (72)发明人 余华芬　汤富平　唐伟　吴臻涵　 沈培芳　王慧　蔡东燕　吴迪　 邱媛媛　 (74)专利代理 机构 杭州知学知识产权代理事务 所(普通合伙) 33356 专利代理师 张雯 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 20/10(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于优化后Unet++神经网络深度学习 的遥感地类 变化检测方法 (57)摘要 本发明实施例公开了一种基于优化后Unet+ +神经网络深度学习的遥感地类变化检测方法。 所述方法包括： 获取待检测图像； 将所述待检测 图像输入至遥感地类变化检测模 型内进行检测， 以得到检测结果图片； 输出所述检测结果图片； 其中， 所述遥感地类变化检测模 型是指通过以土 地利用年度更新成果作为样本库训练Unet++神 经网络模型所得的。 通过 实施本发 明实施例的方 法可实现提升地类图斑更新工作的效率， 提高地 类变化检测的精度、 查准率、 查全率和正确率， 且 实用性强。 权利要求书2页 说明书11页 附图6页 CN 114972164 A 2022.08.30 CN 114972164 A 1.一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法， 其特征在于， 包括： 获取待检测图像； 将所述待检测图像输入至 遥感地类 变化检测模型内进行检测， 以得到检测结果图片； 输出所述检测结果图片； 其中， 所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练 Unet++神经网络模型 所得的。 2.根据权利要求1所述的基于优化后Unet++神经网络深度 学习的遥感地类变化检测方 法， 其特征在于， 所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本 库训练Unet+ +神经网络模型 所得的， 包括： 以土地利用年度更新成果 为基础制作深度学习所需的地类 变化样本库； 依据所述 地类变化样本库制作训练集、 验证集和 测试集； 构建Unet+ +神经网络模型的结构； 将所述训练集输入Unet++神经网络模型进行训练， 以设置的损失函数不可再优化为指 标， 保存训练结果； 将所述测试集输入至训练后的模型， 提取各级特征， 将输出的下采样过程中每层提取 的特征对应的分割 结果进行融合， 以得到输出 的结果图片， 并与测试集对应的实际结果进 行对比， 符合 通过要求的模型 可作为遥感地类 变化检测模型； 其中， 构建Unet+ +神经网络模型的结构， 包括： 设置符合使用场景的损失函数， 并设置Unet++神经网络模型的综合损失函数中对应的 不同深度U型网络分支的权重， 设置初始学习率以及优化策略， 以完成对Unet++模型的优 化。 3.根据权利要求2所述的基于优化后Unet++神经网络深度 学习的遥感地类变化检测方 法， 其特征在于， 所述设置 符合使用场景的损失函数， 并设置Unet++神经网络模型的综合损 失函数中对应的不同深度U型网络分支的权重， 设置初始学习率以及优化策略， 以完成对 Unet++模型的优化， 包括： 设置符合使用场景的损失函数， 并设置Unet++神经网络模型的综合损失函数中对应的 不同深度U型网络分支的权重， 设置初始学习率以及优化策略； 对四个U型网络的下采样通 道合并， 并将四个U型模型共同整合 为一个模型， 以得到Unet+ +神经网络模型； 其中， Unet ++神经网络模型的主干为最深的U型网络， 分支为不同层 数的U型网络， 分支 由对应的下采样层引出， 每个分支的损失函数根据分支模型 的特点选择 的损失函数， 并通 过权重调整， 并将每 个分支的损失函数共同组合成最终的模型损失函数。 4.根据权利要求2所述的基于优化后Unet++神经网络深度 学习的遥感地类变化检测方 法， 其特征在于， 所述将所述训练集输入Unet++神经网络模 型进行训练， 以设置的损失函数 不可再优化为指标， 保存训练结果， 包括： 将所述训练集输入Unet++神经网络模型进行训练， 且将同一层的特征提取的结果相互 连通， 以得到训练结果， 保存训练结果。 5.根据权利要求2所述的基于优化后Unet++神经网络深度 学习的遥感地类变化检测方 法， 其特征在于， 所述遥感地类变化检测模型 的训练策略为是如果最终的模型损失函数连权　利　要　求　书 1/2 页 2 CN 114972164 A 2续三次不下降， 返回最近一次保存的训练结果， 同时学习率减半， 使用Adam优化器作为损失 函数收敛位置查找方案 。 6.遥感地类 变化检测装置， 其特 征在于， 包括： 图像获取 单元， 用于获取待检测图像； 检测单元， 用于将所述待检测图像输入至遥感地类变化检测模型内进行检测， 以得到 检测结果图片； 输出单元， 用于输出所述检测结果图片。 7.根据权利要求6所述的遥感地类变化检测装置， 其特征在于， 还包括模型生成单元， 用于通过以土地利用年度更新 成果作为样 本库训练Unet++神经网络模型， 以得到遥感地类 变化检测模型。 8.根据权利要求7所述的遥感地类变化检测装置， 其特征在于， 所述模型生成单元包 括： 样本库制作子单元， 用于以土地利用年度 更新成果为基础制作深度学习所需的地类变 化样本库； 数据集制作子单 元， 用于依据所述 地类变化样本库制作训练集、 验证集和 测试集； 构建子单 元， 用于构建Unet+ +神经网络模型的结构； 构建子单元用于设置符合使用场景的损失函数， 并设置Unet++神经网络模型的综合损 失函数中对应的不同深度U型网络分支的权重， 设置初始学习率以及优化策略， 以完成对 Unet++模型的优化； 训练子单元， 用于将所述训练集输入Unet++神经网络模型进行训练， 以设置的损失函 数不可再优化为指标， 保存训练结果； 测试子单元， 用于将所述测试集输入至训练后的模型， 提取各级特征， 将输出的下采样 过程中每层提取 的特征对应的分割 结果进行融合， 以得到输出 的结果图片， 并与测试集对 应的实际结果进行对比， 符合 通过要求的模型 可作为遥感地类 变化检测模型。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至5中任一项所述 的方法。 10.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求1至 5中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114972164 A 3