(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 202210530174.3 (22)申请日 2022.05.16 (71)申请人 南湖实验室 地址 314001 浙江省嘉兴 市南湖区七 星街 道香湖别墅2 9幢 申请人 嘉兴市大数据中心 (72)发明人 于桐　唐攀攀　王辉　万昊明　 赵博　勾鹏　屠勇刚　焦文品　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 张晓英 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于深度学习的建筑物矢量提取模型及其 提取方法 (57)摘要 本发明公开了一种基于深度学习的建筑物 矢量提取模型及其提取方法， 包括： S1.接收遥感 影像， 对遥感影像进行多个阶段的特征提取， 得 到多个尺度的提取特征； S2.分别对各尺度的提 取特征进行特征优化， 得到多个尺度的优化特 征； S3.将多个尺度的优化特征进行特征融合， 得 到融合特征； S4.对融合特征进行特征恢复与类 别判断得到建筑物初步提取结果； S5.对建筑物 初步提取结果进行后处理得到最终的建筑物矢 量结果。 本方案融合多种尺度下的特征提取优 势， 有效提高特征提取能力， 增强网络对原始影 像的信息提取能力， 并且针对融合特征进行提取 结果， 对提取结果进行后处理， 能够直接获取到 较为规则的建筑物矢量结果， 极大的方便了后续 编辑与应用。 权利要求书2页 说明书6页 附图4页 CN 114842341 A 2022.08.02 CN 114842341 A 1.一种基于深度学习的建筑物矢量 提取方法， 其特 征在于， 包括以下步骤： S1.接收遥感影 像， 对遥感影 像进行多个阶段的特 征提取， 得到多个尺度的提取 特征； S2.分别对各尺度的提取 特征进行特征优化， 得到多个尺度的优化特 征； S3.将多个尺度的优化特 征进行特征融合， 得到融合特 征； S4.对融合特 征进行特征恢复与类别判断得到建筑物初步 提取结果； S5.对建筑物初步 提取结果进行后处 理得到最终的建筑物矢量结果。 2.根据权利要求1所述的基于深度学习的建筑物矢量提取方法， 其特征在于， 步骤S1 中， 所述的遥感影 像为经过预处理的高分辨 率遥感影 像； 步骤S1中， 对遥感影 像进行至少三个阶段的特 征提取， 得到 至少三个尺度的提取 特征； 步骤S1中， 使用编码器模块对遥感影像进行多个阶段的特征提取， 且所述的编码器模 块包括稠密卷积模块和过渡卷积模块， 由稠密卷积模块和过渡卷积模块中的任意一种或两 种进行每一阶段的特 征提取。 3.根据权利要求2所述的基于深度学习的建筑物矢量提取方法， 其特征在于， 步骤S1 中， 对遥感影 像进行四个阶段的特 征提取， 得到四个尺度的提取 特征； 步骤S1中， 前三阶段均由稠密卷积模块和过渡卷积模块进行特征提取,且过渡卷积模 块在每个阶段中均执行一次， 稠密卷积模块在第一至第三阶段分别重复6次、 12次和24次, 第四阶段由稠密卷积模块重复16次进行 特征提取。 4.根据权利要求2或3所述的基于深度学习的建筑物矢量提取方法， 其特征在于， 步骤 S2中， 使用空间金字塔池化模块、 自注意力模块中的任意一种分别对各阶段的提取特征进 行特征优化。 5.根据权利要求4所述的基于深度学习的建筑物矢量提取方法， 其特征在于， 步骤S2 中， 使用空间金字塔池化模块对第四阶段的提取特征进行特征优化， 使用自注意力模块分 别对第一 ‑第三阶段的提取 特征进行特征优化； 步骤S3中， 先将第 四阶段和第三阶段的优化特征进行融合， 然后依次与第二阶段与第 一阶段的优化特 征融合得到最终的融合特 征。 6.根据权利要求1所述的基于深度学习的建筑物矢量提取方法， 其特征在于， 步骤S4具 体包括： 使用两次深度分离卷积模块、 两次密集上采样模块和一 次卷积模块对最终的融合特征 进行特征恢复； 使用softmax函数对 恢复特征进行类别判断， 得到建筑物初步 提取结果； 步骤S5中， 后处理步骤依次包括去除小聚类区域、 形态学操作、 边界点提取和道格拉斯 普克抽稀四个后处 理步骤。 7.一种基于深度学习的建筑物矢量提取模型， 其特征在于， 包括编码器模块(2)、 优化 模块(3)、 解码器模块(4)和后处理模块(5)， 所述的编码器模块(2)用于对输入的遥感影像 进行多阶段特征提取， 所述的优化模块(3)用于对编码 器模块(2)输出的各尺度提取特征进 行优化处理， 所述的解码器模块(4)用于将优化后的各尺度优化特征进行融合并基于融合 特征进行特征恢复与类别判断以输出建筑物初步提取结果， 所述的后处理模块(5)用于对 所述的建筑物初步 提取结果进行后处 理得到最终的建筑物矢量结果。 8.根据权利要求7所述的基于深度学习的建筑物矢量提取模型， 其特征在于， 所述的编权　利　要　求　书 1/2 页 2 CN 114842341 A 2码器模块(2)包括稠 密卷积模块和过渡卷积模块； 稠 密卷积模块包括两个卷积模块， 稠 密卷 积模块用于对输入依次经过两个卷积模块处理， 然后 将输入与卷积模块的输出波段拼接后 输出； 过渡卷积模块包括一个卷积模块和一个平均池化层， 过渡卷积模块用于以稠密卷积模 块的输出为输入， 对输入进行 卷积和池化处 理后输出。 9.根据权利要求6所述的基于深度学习的建筑物矢量提取模型， 其特征在于， 所述的优 化模块(3)包括自注意力模块和空间金字塔池化模块， 每个阶段的输出均连接一个自注意 力模块或空间金字塔池化模块； 所述的解码器模块(4)包括多个解码卷积模块， 每个自注意力模块的输出连接一个解 码卷积模块， 且解码卷积模块用于对下一阶段解码卷积模块/空间金字塔池化模块的输出 进行解码卷积处理后与相 应自注意力模块的输出融合叠加输出给上一 阶段对应的解码卷 积模块， 由第一阶段对应的解码卷积模块输出最终的融合特 征； 本模型还包括用于 网络训练的分支结构(41)， 且所述的分支结构(41)包括多个分支模 块， 每个解码卷积模块分别连接一个分支模块。 10.根据权利要求9所述的基于深度学习的建筑物矢量提取模型， 其特征在于， 所述的 编码器模块(2)用于对输入的遥感影像进行四阶段特征提取,前三阶段由稠密卷积模块和 过渡卷积模块进行 特征提取,第四阶段由稠密卷积模块进行 特征提取； 所述的优化模块(3)包括三个自注意力模块和一个空间金字塔池化模块， 三个自注意 力模块的输入分别为第一 ‑第三阶段的提取特征， 输出分别为三个解码卷积模块的输入， 空 间金字塔池化模块的输入为第四阶段的提取 特征； 空间金字塔池化模块将第四阶段的提取特征进行4次卷积操作和1次全局池化， 将5个 特征拼接后利用1*1卷积进行融合后输出； 第三阶段的解码卷积模块对空间金字塔池化模块的输出进行解码卷积处理后与第三 阶段自注意力模块输出的优化特 征融合叠加输出 给第二阶段对应的解码卷积模块； 第二阶段的解码卷积模块对第三阶段解码卷积模块的输出进行解码卷积处理后与第 二阶段自注意力模块输出的优化特 征融合叠加输出 给第一阶段的解码卷积模块； 第一阶段的解码卷积模块对第二阶段解码卷积模块的输出进行解码卷积处理后与第 一阶段自注意力模块输出的优化特 征融合叠加输出最终的融合特 征； 所述的解码卷积处 理包括两次深度分离卷积 操作一次密集上采样 操作； 所述的后处理模块(5)用于对所述的建筑物初步提取结果进行包括去 除小聚类区域、 形态学操作、 边界点提取和道格拉斯普克抽稀四个后处理步骤得到最终的建筑物矢量结 果。权　利　要　求　书 2/2 页 3 CN 114842341 A 3