基于迁移学习的遥感图像语义分割方法技术

本发明专利技术公开了一种基于迁移学习的遥感图像语义分割技术，涉及遥感图像处理技术领域，解决了遥感图像语义分割的深度学习方法上的耗时长、应用范围窄等技术问题，其技术方案要点是应用迁移学习技术，将由其他数据集即源域训练的初始化模型经过迁移后应用在遥感图像即目标域的语义分割任务上，迁移后的初始化模型只需训练该初始化模型未被冻结的参数层，在准确率相近的情况下大大降低了模型的训练时长，提高了深度学习网络模型的可重用性。

Semantic segmentation of remote sensing image based on Transfer Learning

【技术实现步骤摘要】
基于迁移学习的遥感图像语义分割方法
本公开涉及遥感图像处理
，尤其涉及一种基于迁移学习的遥感图像语义分割方法。
技术介绍
遥感是一种非接触、远距离的探测技术，一般指运用传感器或遥感器对物体的电磁波辐射、反射特性进行探测，通过这类对电磁波敏感的仪器，在远离目标或不接触目标物体条件下探测目标的地物。遥感技术在国土检测、灾情评估、城市规划、军事勘探等多方面有着广泛的应用，对其获取的图像进行语义分割即将其分割为各种类别的图像块是对其进一步应用的基础。目前图像语义分割的主流实现方法为深度学习，但其训练的耗时较长、应用范围较窄。
技术实现思路
技术目的：克服遥感图像语义分割的深度学习方法上的耗时长、应用范围窄等问题。本公开的上述技术目的是通过以下技术方案得以实现的：一种基于迁移学习的遥感图像语义分割方法，包括：选择源域数据训练网络为初始化网络W，使用所述W初始化目标网络模型的浅层参数，然后冻结初始化后的所述浅层参数，被冻结的所述浅层参数不参与所述目标网络模型的后续训练；获取所述源域数据和遥感图像数据本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的遥感图像语义分割方法，其特征在于，包括：/n选择源域数据训练网络为初始化网络W，使用所述W初始化目标网络模型的浅层参数，然后冻结初始化后的所述浅层参数，被冻结的所述浅层参数不参与所述目标网络模型的后续训练；/n获取所述源域数据和遥感图像数据的最大平均差异MMD指标以及SMTD指标；/n若所述SMTD指标小于预设阈值σ，使用所述遥感图像数据训练所述目标网络模型中未被初始化的参数层，直至所述目标网络模型收敛则得到最终分割模型，否则继续训练；/n使用所述最终分割模型进行遥感图像语义分割。/n

【技术特征摘要】
1.一种基于迁移学习的遥感图像语义分割方法，其特征在于，包括：
选择源域数据训练网络为初始化网络W，使用所述W初始化目标网络模型的浅层参数，然后冻结初始化后的所述浅层参数，被冻结的所述浅层参数不参与所述目标网络模型的后续训练；
获取所述源域数据和遥感图像数据的最大平均差异MMD指标以及SMTD指标；
若所述SMTD指标小于预设阈值σ，使用所述遥感图像数据训练所述目标网络模型中未被初始化的参数层，直至所述目标网络模型收敛则得到最终分割模型，否则继续训练；
使用所述最终分割模型进行遥感图像语义分割。


2.如权利要求1所述的基于迁移学习的遥感图像语义分割方法...

【专利技术属性】
技术研发人员：孔莹莹，张博文，闫碧原，刘艳娟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32