(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 202211385434.9 (22)申请日 2022.11.07 (71)申请人 武汉数字家园科技有限公司 地址 430074 湖北省武汉市武汉东湖新 技 术开发区高新大道780号光谷新汇2号 地块栋4层 （26） 办公号 （自贸区武汉片 区） (72)发明人 张洪艳　曾薪鑫　张良培　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 郑勤振 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 20/10(2022.01) G06N 3/08(2006.01) (54)发明名称 动态约束下的弱监督农田地块精细化分割 方法及系统 (57)摘要 一种动态约束下弱监督农田地块精细化分 割方法及系统， 包括： 首先， 利用并行的小感受野 卷积层进行特征提取、 构建主干网络， 通过加深 网络层与固定特征图分辨率来平衡细节信息与 语义类别信息； 接着， 增加输入数据的边缘先验 信息以辅助网络模型识别农田地块边界； 其次， 结合聚类思想与深度学习技术， 设计了样本选择 模块与动态损失函数， 借助粗标签中不同类别地 物之间的类内不变性来帮助网络模型选择类别 正确的标签作为训练样本， 增强网络抗噪能力； 最后， 设计由交叉熵损失函数与动态损失函数两 部分组成的损失函数。 本发明无需准确精细的标 签数据作为监督信息， 利用高分辨率遥感影像与 现有的可免费获取的土地覆盖数据产品实现农 田地块精细化分割。 权利要求书5页 说明书8页 附图4页 CN 115439654 A 2022.12.06 CN 115439654 A 1.一种用于地 块精细化分割的深度学习网络模型训练方法， 其特 征在于， 包括： 获取训练所述深度学习网络模型的地 块影像数据； 利用边缘探测算子计算所述 地块影像数据的边 缘信息； 将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型的主干网络来 提取地块标签对应的各类特征， 所述主干网络包括多个多特征残差模块， 所述多特征残差 模块包括多个不同感受野的卷积层； 每个所述多特征残差模块先利用所述多个不同感受野的卷积层以并行的方式提取输 入数据 的特征， 然后通过通道级联的方式进行特征融合得到融合特征图 ， 对融合特征图 进行降维操作， 将降维操作后的融合特征图 与输入数据 进行逐元素相加， 得到特征图 ； 所有所述多特征残差模块输出的特征图 构成特征空间 ， 将特征空间 与所述边缘 信息进行 特征融合， 融合后的特 征图经通道数压缩后得到预测概 率图 ； 根据所述主干网络每次预测的置信概率从粗标签中选择可信 子集作为监督源， 置信度 阈值 通过对预测概 率图 进行平均计算得到， 根据 将 划分 与 为两个子集； 利用损失函数对 与 同时进行监督， 训练所述深度学习网络模型， 直至训练达到 最大训练轮数或收敛； 训练结束后保存在训练过程中验证精度最优的参数组。 2.根据权利要求1所述的方法， 其特征在于， 利用多个所述多特征残差模块进行堆叠构 建所述主干网络以降低不准确标签与高分影像之间的空间分辨率差异带来的影响， 所述多 特征残差模块利用小感受野卷积层提取不同尺度的特征， 使用通道级联得到融合特征 ， 最后以残差形式对所述多特征残差模块的输入数据 与融合特征 进行融合得到特征图 ， 特征图 表示为： 式中 ， 、 、 分别为输入数据的长、 宽、 通道数， N为输入模块的 数量； 则是指输入通道数为 ， 输出通道数为 的1*1卷积 操作； 描述为： 式中concat表示通道级联。 3.根据权利 要求1所述的方法， 其特征在于， 利用损失函数对 与 同时进行监督， 训练所述深度学习网络模型的方法为：权　利　要　求　书 1/5 页 2 CN 115439654 A 2利用特征空间 约束 与 ， 描述为： 式中 代表第b个多特征残差模块得到的特 征图； 按下式对 与 两者的类内方差进行修正以度量 与 之间的特征相似性 式中， 表示第b个特征中第 l类的预测结果在特征空间预测图 中的类内方差； 与 分别指 与 在预测图 中的像素占比； 、 与 分 别指 、 以及预测概 率图 在特征空间 中对应的均值； 动态损失函数 表示为 在所有类别和特 征空间 之间比例因子为 的和 损失函数由两部分组成， 另 一部分损失函数为交叉熵损失函数， 记为 ， 其表达式 为： 式中， 表示像素 i的标签值， 表示像素 i对应的预测输出概 率值； 损失函数表达式为： 。 4.一种用于地 块精细化分割的深度学习网络模型训练系统， 其特 征在于， 包括： 数据获取模块， 其被 配置为获取训练所述深度学习网络模型的地 块影像数据； 边缘信息计算模块， 其被配置为利用边缘探测算子计算所述地块影像数据的边缘信 息； 主干网络， 将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型的所 述主干网络来提取地块标签对应的各类特征， 所述主干网络包括多个多特征残差模块， 所权　利　要　求　书 2/5 页 3 CN 115439654 A 3