申请/专利权人：北京理工大学

申请日：2022-04-12

公开（公告）日：2024-06-07

公开（公告）号：CN114882139B

主分类号：G06T11/20

分类号：G06T11/20;G06T5/50;G06V20/10;G06V10/26;G06V10/40;G06V10/82;G06V10/764;G06V10/762;G06N3/0464;G06N3/0455;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2022.08.26#实质审查的生效;2022.08.09#公开

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。

主权项：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，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；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；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＝FθxK1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，FθxK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层精修地图的生成：y″K＝G″φ″y′K,y′K-13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；Cθy′Ki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，pdatax和pdatay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；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。

全文数据：

权利要求：

百度查询： 北京理工大学 一种多层级地图的端到端智能生成方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD