(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 202210990061.1 (22)申请日 2022.08.18 (71)申请人 中国电建集团中南勘测设计 研究院 有限公司 地址 410014 湖南省长 沙市雨花区香樟东 路16号 申请人 中国矿业大 学 （北京） (72)发明人 张琰君　贺福帅　孔嘉嫄　朱元昊　 阎跃观　 (74)专利代理 机构 长沙正奇专利事务所有限责 任公司 431 13 专利代理师 曾利平 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01)G06T 7/11(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 建筑物提取模型训练方法、 提取方法、 设备 及存储介质 (57)摘要 本发明公开了一种建筑物提取模型训练方 法、 提取方法、 设备及存储介质， 所述训练方法包 括获取建筑物遥感影像数据集， 对建筑物遥感影 像进行灰度化处理， 得到灰度图像数； 对训练集 中每张灰度图像的建筑物区域进行人工标注， 得 到带标签的灰度图像； 构建建筑物提取模型， 建 筑物提取模型包括U ‑Net网络结构和ProCBAM模 块， ProCBAM模块包括并行的通道注意力模块和 空间注意力模块， 同时引入SE模块； 利用训练集 对U‑Net网络结构进行训练， 编码 阶段输出的特 征图由ProCB AM模块处理后再与上一解码阶段的 特征图进行融合。 本发明可以有效全面地提取目 标， 尤其对小建筑物或不规则建筑物具有良好的 识别效果。 权利要求书2页 说明书8页 附图4页 CN 115439756 A 2022.12.06 CN 115439756 A 1.一种建筑物提取模型训练方法， 其特 征在于， 包括以下步骤： 获取建筑物遥感影像数据集， 对所述建筑物遥感影像数据集中的每张建筑物遥感影像 进行灰度化处 理， 得到灰度图像数据集； 将所述灰度图像数据集划分为训练集和 测试集； 对所述训练集中每张灰度图像的建筑物区域进行 人工标注， 得到带 标签的灰度图像； 构建所述建筑物提取模型， 所述建筑物提取模型包括U ‑Net网络结构和ProCBAM模块， 所述ProCBAM模块包括输入层、 通道注 意力模块、 空间注 意力模块、 SE模块、 归一化层和输出 层； 所述通道注意力模块、 空间注 意力模块和S E模块的输入端分别与所述输入层连接， 输出 端分别与所述归一 化层连接； 所述归一 化层与所述输出层连接； 采用U‑Net网络结构对所述训练集中的每张灰度图像进行编码， 得到每个编码阶段的 编码特征图， 再利用所述Pr oCBAM模块对每个编码阶段的编码特征图进 行处理， 得到每个编 码阶段的深度特征图； 在解码过程中， 对当前编码阶段的深度特征图与上一解码阶段的融 合特征图进行融合后输入到下一解码阶段解码， 解码完成后输出建筑物特征图， 完成对所 述建筑物提取模型的训练。 2.根据权利要求1所述的建筑物提取模型训练方法， 其特征在于， 所述灰度化处理过程 为： 将所述建筑物遥感影像中每个像素点的R值、 G值和B值中的最大值作为对应像素点的 灰度值， 得到该建筑物遥感影 像对应的灰度图像； 或者， 将所述建筑物遥感影像 中每个像素点的R值、 G值和B值的平均值作为对应像素点 的灰度值， 得到该建筑物遥感影 像对应的灰度图像。 3.根据权利 要求1或2所述的建筑物提取模型训练方法， 其特征在于， 采用U ‑Net网络结 构对所述训练集中的每张灰度图像进行编码的具体实现过程 为： 采用两层64通道且大小为3 ×3的卷积核依次对所述灰度图像进行特征提取， 得到第一 编码阶段的64个编码特 征图； 采用2×2池化层、 两层128通道且大小为3 ×3的卷积核依次对第一编码阶段的64个编 码特征图进行 下采样和特 征提取， 得到第二编码阶段的128个编码特 征图； 采用2×2池化层、 两层256通道且大小为3 ×3的卷积核依次对第二编码阶段的128个编 码特征图进行 下采样和特 征提取， 得到第三编码阶段的25 6个编码特 征图； 采用2×2池化层、 两层512通道且大小为3 ×3的卷积核依次对第三编码阶段的256个编 码特征图进行 下采样和特 征提取， 得到第四编码阶段的512个编码特 征图； 采用2×2池化层、 两层1024通道且大小为3 ×3的卷积核依次对第四编码阶段的512个 编码特征图进行 下采样和特 征提取， 得到第五编码阶段的1024个编码特 征图。 4.根据权利要求3所述的建筑物提取模型训练方法， 其特征在于， 所述解码的具体实现 过程为： 利用所述ProCBAM模块对第四编码阶段的512个编码特征图进行处理后再复制， 得到第 四编码阶段的102 4个深度特征图； 将第四编码阶段的1024个深度特征图与对第五编码阶段 的1024个编码特征图进行上采样后的特征图进行拼接， 再采用两层512通道且大小为3 ×3 的卷积核依次对拼接后的特 征图进行 特征提取， 得到第四解码阶段的512个融合特 征图； 利用所述ProCBAM模块对第三编码阶段的256个编码特征图进行处理后再复制， 得到第权　利　要　求　书 1/2 页 2 CN 115439756 A 2三编码阶段的512个深度特征图； 将第三编码阶段的512个深度特征图与对第四解码阶段的 512个融合特征图进行上采样后的特征图进 行拼接， 再采用两层256通道且 大小为3×3的卷 积核依次对拼接后的特 征图进行 特征提取， 得到第三 解码阶段的25 6个融合特 征图； 利用所述ProCBAM模块对第二编码阶段的128个编码特征图进行处理后再复制， 得到第 三编码阶段的256个深度特征图； 将第二编码阶段的256个深度特征图与对第三解码阶段的 256个融合特征图进行上采样后的特征图进 行拼接， 再采用两层128通道且 大小为3×3的卷 积核依次对拼接后的特 征图进行 特征提取， 得到第二 解码阶段的128个融合特 征图； 利用所述ProCBAM模块对第一编码阶段的64个编码特征图进行处理后再复制， 得到第 一编码阶段的128个深度特征图； 将第一编码阶段的128个深度特征图与对第二解码阶段的 128个融合特征图进行上采样后的特征图进行拼接， 再采用两层64通道且大小为3 ×3的卷 积核依次对拼接后的特 征图进行 特征提取， 得到第一 解码阶段的64个融合特 征图； 采用2通道且大小为1 ×1的卷积核对第一解码阶段的64个 融合特征图进行计算， 得到2 个建筑图特 征图。 5.根据权利要求1所述的建筑物提取模型训练方法， 其特征在于， 还包括： 将所述测试 集中的灰度图像输入至 完成训练的建筑物提取模型中， 得到预测的建筑物特 征图； 根据预测的建筑物特 征图计算召回率、 准确率和交并比IOU值； 根据所述召回率、 准确率和IOU值对所述建筑物提取模型的精度进行评价。 6.一种建筑物提取 方法， 其特 征在于， 包括以下步骤： 获取建筑物遥感影 像； 对所述建筑物遥感影 像进行灰度化处 理和噪声处 理， 得到灰度图像； 利用由权利要求1～5中任一项所述建筑物提取模型训练方法训练得到的建筑物提取 模型对所述灰度图像进行建筑物提取， 得到建筑物特 征图。 7.一种建筑物提取设备， 包括存储器和处理器， 所述存储器上存储有能够在所述处理 器上运行的计算机程序， 其特征在于： 所述处理器运行所述计算机程序时执行如权利要求 1 ～5中任一项 所述建筑物提取模 型训练方法的步骤， 或执行如权利要求6所述建筑物提取方 法的步骤。 8.一种计算机可读存储介质， 所述计算机可读存储介质为非易失性存储介质或非瞬态 存储介质， 其上存储有计算机程序， 其特征在于： 所述计算机程序被处理器运行时执行如权 利要求1～5中任一项所述建筑物提取模型训练方法的步骤， 或执行如权利要求6所述建筑 物提取方法的步骤。权　利　要　求　书 2/2 页 3 CN 115439756 A 3