(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 202210923614.1 (22)申请日 2022.08.02 (71)申请人 中国电子科技 集团公司第十五研究 所 地址 100000 北京市海淀区北四环中路21 1 号 申请人 感知天下 （北京） 信息科技有限公司 (72)发明人 喻金桃　丁磊　李传广　赵秀云　 彭大祥　孔壁　蒋丽婷　 (74)专利代理 机构 河北向往专利代理有限公司 13162 专利代理师 范风格 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01)G06V 10/26(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于对抗学习和形状约束的建筑物提 取系统 (57)摘要 本发明涉及图像处理技术领域， 提出了一种 基于对抗学习和形状约束的建筑物 提取系统， 包 括分割网络和判别网络， 分割网络用于从原始图 像中提取建筑物图像， 得到 预测图像P， 判别网络 用于鉴别预测图像P与真值图像L的差值， 真值图 像L通过对原始图像标注得到； 分割网络包括第 一特征提取模块和形状约束模块， 第一特征提取 模块用于建筑物的初步提取， 形状约束模块包括 依次连接的空洞卷积单元、 可变形卷积单元和 1x1卷积单元， 第一特征提取模块的输出作为空 洞卷积单元和可变形卷积单元的输入， 再经过 1x1卷积单元得到分割网络的输出， 通过上述技 术方案， 解决了相关技术中建筑物 边界轮廓处的 提取效果差问题。 权利要求书2页 说明书4页 附图3页 CN 115272699 A 2022.11.01 CN 115272699 A 1.一种基于对抗学习和形状约束的建筑物提取系统， 其特征在于， 包括分割网络和判 别网络， 所述分割网络用于从原始图像中提取建筑物图像， 得到预测图像P， 所述判别网络 用于鉴别所述预测图像P与真值图像L的差值， 所述真值图像L 通过对原 始图像标注得到； 所述分割网络包括第 一特征提取模块和形状约束模块， 所述第 一特征提取模块用于建 筑物的初步提取， 所述形状约束模块包括依次连接的空洞卷积单元、 可变形卷积单元和1x1 卷积单元， 所述第一特征提取模块的输出作为所述空洞卷积单元和所述可变形卷积单元的 输入， 再经过所述1x1卷积单 元得到所述分割网络的输出。 2.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 两个3x3的空洞卷积以残差方式连接， 组成所述空洞残差单 元。 3.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 像素x(r,c)处所述空洞卷积单 元计算公式如下： 其中， ki,j为卷积核权重， 在标准3x3卷积中， i,j∈{ ‑1,0,1}； 在3x3空洞卷积中， i,j∈ {‑r,0,r}， r是空洞比率。 4.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 所述可变形 卷积单元计算公式如下： 其中， u(r,c)和v(r,c)是 学习到的位置参数， 计算公式如下： 5.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 所述判别网络包括形状判别器， 所述形状判别器包括四层第二特征提取模块和1x1卷积 单元， 所述四层第二特征提取模块依次连接之后接入1x1卷积单元， 并在原始输入图像的1/ 32尺度上输出 结果； 任一所述第二特 征提取模块包括卷积模块和激活函数。 6.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 真值图像L经过降采样之后接入 所述形状判别器； 预测图像P依次经过归一化、 降采样之 后接入形状判别器。 7.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在 于， 损失函数计算公式如下： 其中， α和β 是权重参数， Lpix是基于像素监督的结构损失函数， Lshape是基于形状的损失 函数， σ(P)为归一 化分割预测图像， D是 形状判别器， 计算公式如下： Lpix＝[L‑σ(P)]2 8.根据权利要求1所述的一种基于对抗学习和形状约束的建筑物提取系统， 其特征在权　利　要　求　书 1/2 页 2 CN 115272699 A 2于， 所述第一特 征提取模块用于建筑物的初步 提取， 具体包括： 采用ResNet34进行 特征提取， 得到8倍降采样的特 征图和4倍降采样的特 征图； 将8倍降采样的特征图进行上采样， 与4倍降采样的特征图进行融合， 实现建筑物的初 步提取。权　利　要　求　书 2/2 页 3 CN 115272699 A 3