(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 202210330867.8 (22)申请日 2022.03.30 (71)申请人 安徽大学 地址 230601 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 杨辉　王彪　吴艳兰　 (74)专利代理 机构 安徽顺超知识产权代理事务 所(特殊普通 合伙) 34120 专利代理师 贺湘君 (51)Int.Cl. G06V 20/17(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 基于多尺度特征感知网络的城市植被无人 机遥感分类方法 (57)摘要 本发明涉及无人机遥感分类技术领域， 涉及 一种基于多尺度特征感知网络的城市植被无人 机遥感分类方法， 包括： 一、 对采集的照片进行拼 接、 校正处理生成无人机正射影像； 二、 采用目视 解译方法构建植被样本 数据集； 三、 基于HRNet网 络构建了多尺度特征感知深度神经网络MFDN植 被分类模型， 训练数据集至模型拟合效果最佳， 选取最优模 型进行预测并进行精度评价， 最终得 到城市植被分类结果图， 实现无人机遥感城市植 被快速调查。 本发明在网络输入层引入坐标卷积 减少空间信息的丢失， 构建多层并行网络增强尺 度信息， 减少细节特征的丢失， 同时利用分离特 征模块， 扩大感受野并获取多尺度特征信息， 有 效缓解了植被漏分、 错分 现象， 提高了分类精度。 权利要求书2页 说明书12页 附图9页 CN 114943902 A 2022.08.26 CN 114943902 A 1.基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 包括以下 步骤： 一、 对采集的照片进行拼接、 校正处 理生成无 人机正射影像； 二、 采用目视解译的方法构建植被样本数据集； 三、 基于HRNet网络构 建了多尺度特征感知深度神经网络MFDN植被分类模型， 训练数据 集至模型拟合效果最佳， 选取最优模型进行预测并进行精度评价， 最终得到城市植被分类 结果图， 实现无 人机遥感城市植被快速调查。 2.根据权利要求1所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 多尺度特征感知深度神经网络MFDN中， 在网络输入层引入坐标卷积； 在垂直方 向上利用下采样过程拓宽网络， 通过多支并行连接的子网络融合多尺度特征连接高分辨率 与低分辨率， 保留不同分辨率的特征信息； 进行重复多尺度特征融合， 每支网络的高到低分 辨率表示能够接 收来自并行 的子网络信息， 在整个过程中保持高分辨率的表示； 在每个分 支网络中添加了密集连接模块； 在底层网络中结合分离特征模块并更改空洞卷积的空洞率 获取不同尺度上的细节信息 。 3.根据权利要求2所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 多尺度特征感知深度神经网络MFDN中， 影像输入网络后通过下采样操作降低 特征图大小， 在每一个密集连接模块后， 都对特征图进 行一次下采样操作， 每次生成的特征 图通过分支网络保持相同分辨率， 利用密集连接模块对特征进 行提取复用， 总共生成4支网 络； 每支网络通过特征融合能够接收其他分支网络的特征信息； 通过连续上采样操作将后3 支网络提取的特征图恢复到第1分支网络的大小， 通过上采样操作将4支网络合并的特征图 恢复到原 始影像分辨率， 最后使用softmax分类 器输出分割结果。 4.根据权利要求3所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 多尺度特征感知深度神经网络MFDN中， DenseNet 中的密集连接模块具有强大 的特征提取与复用能力， 密集连接模块通过密集连接方式将前一层的特征叠加映射传递给 后续其它层， 每层都会与前面所有层在通道维度上通过拼接方式连接在一起， 能够将多个 特征进行组合， 减少参数量并增强特征重用； 因此， L层深度的网络中， 网络具有L ×(L+1)/2 个连接； 密集连接模块的表达式如下： XL＝HL([X0,X1,X2,…,XL‑1]) 式中： XL表示L层的输出特征图； [X0,X1,X2,…,XL‑1]表示L层前面所有层的特征映射的连 接； HL是非线性变换函数， 包含批标准化层、 整流线性单元ReLU、 droput层以及3 ×3卷积层； 密集连接模块之间通过转置层Transiti onlayer连接 。 5.根据权利要求2所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 坐标卷积通过使用额外的坐标通道， 在卷积过程中能够获取目标的输入坐标， 提取目标 特征中的空间位置信息作为 额外的通道与原 始的特征进行连接； 通道是为i坐标和j坐标准备的， 对额外坐标进行相应的线性变换， 使i坐标和j坐标在 [‑1,1]范围内归一化， 如有必要， 使用第三个通道来表示r坐标， 以处理额外情况； r坐标的 计算方式如下： 权　利　要　求　书 1/2 页 2 CN 114943902 A 2式中： h和w分别为特 征图尺寸的高和宽， i和j表示基本坐标。 6.根据权利要求2所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 重复多尺度特征融合分为3种交互模块， 每个交互模块由3个并行的卷积单位 组成， 并行网络之间有一个交 互模块； 第一种交互模块是保持高分辨率特征图不变， 通过1 ×1卷积保持低分辨率特征和高分 辨率特征具有相同维度， 采用最近邻上采样生成相同大小的高低分辨率特征图并将二者通 道进行叠加， 最后输出 特征； 第二种交互模块是保持中分辨率特征图不变， 通过最近邻上采样将低分辨率特征图还 原到高分辨率特征图大小， 使用3 ×3卷积将高分辨率特征图通过下采样降维至中分辨率特 征图， 将高、 中、 低分辨 率特征图通道进行叠加， 最后输出 特征； 第三种交互模块是保持低分辨率特征图不变， 使用3 ×3卷积将高分辨率特征图通过下 采样降维至低分辨 率特征图， 将二 者通道进行叠加， 最后输出 特征。 7.根据权利要求2所述的基于多尺度特征感知网络的城市植被无人机遥感分类方法， 其特征在于： 分离特征模块用空洞率分别为3、 6、 9的可分离空洞卷积提取特征， 扩大感受 野， 减少参数。权　利　要　求　书 2/2 页 3 CN 114943902 A 3