一种基于语义分割网络的遥感建筑物检测方法及系统

1.一种基于语义分割网络的遥感建筑物检测方法，其特征在于，包括：获取包含建筑物的遥感影像，构建遥感影像数据集；对U-Net网络按照预设方式进行改进，得到建筑物检测模型；基于所述遥感影像数据集，对所述建筑物检测模型进行训练；利用训练好的建筑物检测模型，对待检测的遥感影像中的建筑物进行检测；所述对U-Net网络按照预设方式进行改进，包括：采用迁移学习的方法，将U-Net网络中的编码器结构替换为在ImageNet数据集上预训练的ResNet残差网络作为特征提取网络；所述对U-Net网络按照预设方式进行改进，还包括：在U-Net网络中构建深度为4的特征金字塔；遥感影像经过编码器网络进行特征提取后，将其作为输入，送入深度为4的特征金字塔；所述对U-Net网络按照预设方式进行改进，还包括：将U-Net网络中的逐像素的交叉熵损失函数替换为在BasNet中提出的混合损失函数；所述混合损失函数包括交叉熵损失BCE、结构相似性损失SSIM和IOU损失，分别从pixel-level、patch-level、map-level三个不同层级关注显著信息。 2.如权利要求1所述的基于语义分割网络的遥感建筑物检测方法，其特征在于，在对待检测的遥感影像中的建筑物进行检测之后，所述方法还包括：采用预设的评估方式对所述建筑物检测模型进行有效性评估和验证；其中，所述预设的评估方式为精确率评估方式、F1分数评估方式、召回率评估方式、平均交并比评估方式和频权交并比评估方式中的任意一种或多种的组合。 3.如权利要求1所述的基于语义分割网络的遥感建筑物检测方法，其特征在于，所述获取包含建筑物的遥感影像，构建遥感影像数据集，包括：获取第一预设区域的全区高分辨率航空正射影像和第二预设区域的高分二号影像；其中，所述高分二号影像为由分辨率为1m的高分2号卫星拍摄的影像；使用ArcGis中的栅格工具，对所述高分辨率航空正射影像进行裁剪处理，将所述高分辨率航空正射影像切割为大小分别为1024*1024的多张影像图，并选取切割后所得到的影像图中的一部分进行建筑物标注处理，以制作航空数据集；使用ArcGis中的栅格工具对所述高分二号影像进行裁剪，将所述高分二号影像切割为大小分别为1024*1024的多张影像图，并选取切割后所得到的影像图中的一部分进行建筑物标注处理，以制作高分数据集；将所述航空数据集划分为第一训练集和第一测试集；将所述高分数据集划分为第二训练集和第二测试集；并对所述第一训练集和第二训练集中的数据进行数据预处理；其中，所述数据预处理包括数据增强和引入扩展的数据集；预处理后的第一训练集和预处理后的第二训练集用于对所述建筑物检测模型进行训练，所述第一测试集和所述第二测试集用于对所述建筑物检测模型进行测试。 4.如权利要求3所述的基于语义分割网络的遥感建筑物检测方法，其特征在于，所述数据增强为随机翻转、明暗度调节和仿射变换中的一种或多种的组合。 5.如权利要求3所述的基于语义分割网络的遥感建筑物检测方法，其特征在于，所述扩展的数据集为Inria Aerial Image Dataset。 6.一种基于语义分割网络的遥感建筑物检测系统，其特征在于，包括：数据集构建模块，用于获取包含建筑物的遥感影像，构建遥感影像数据集；建筑物检测模型构建模块，用于对U-Net网络按照预设方式进行改进，得到建筑物检测模型；模型训练模块，用于基于所述数据集构建模块所构建的遥感影像数据集，对所述建筑物检测模型构建模块所构建的建筑物检测模型进行训练；建筑物检测模块，用于利用经所述模型训练模块训练好的建筑物检测模型，对待检测的遥感影像中的建筑物进行检测；所述对U-Net网络按照预设方式进行改进，包括：采用迁移学习的方法，将U-Net网络中的编码器结构替换为在ImageNet数据集上预训练的ResNet残差网络作为特征提取网络；所述对U-Net网络按照预设方式进行改进，还包括：在U-Net网络中构建深度为4的特征金字塔；遥感影像经过编码器网络进行特征提取后，将其作为输入，送入深度为4的特征金字塔；所述对U-Net网络按照预设方式进行改进，还包括：将U-Net网络中的逐像素的交叉熵损失函数替换为在BasNet中提出的混合损失函数；所述混合损失函数包括交叉熵损失BCE、结构相似性损失SSIM和IOU损失，分别从pixel-level、patch-level、map-level三个不同层级关注显著信息。 7.如权利要求6所述的基于语义分割网络的遥感建筑物检测系统，其特征在于，所述系统还包括评估验证模块，用于：采用预设的评估方式对所述建筑物检测模型进行有效性评估和验证；其中，所述预设的评估方式为精确率评估方式、F1分数评估方式、召回率评估方式、平均交并比评估方式和频权交并比评估方式中的任意一种或多种的组合。