【技术实现步骤摘要】
一种基于全局-局部对抗学习框架的跨域道路提取方法
本专利技术基于遥感图像技术处理领域,特别涉及一种基于全局-局部对抗学习框架的跨域道路提取方法。
技术介绍
近年来,随着IKONOS、QuickBird、Worldview、GJ-1、GF-6等一系列国内外高分辨率遥感卫星的成功发射,高分辨率遥感数据获取能力迅速增强,使得我们能获取的高分辨率遥感影像资源在规模上不断扩大,意味着遥感大数据时代已经来临。高分辨率遥感影像包含丰富的空间细节信息,能够精确描述地物的几何属性特征,高分辨率遥感影像相对于中低分辨率遥感影像来说,地物几何结构更加明显,纹理更加精细,位置布局更加清晰。因此,高分辨率遥感凭借其获取手段技术成熟,影像分辨率高,覆盖范围广等优势,已被广泛应用于军事侦察、灾害防治、城市规划等事关国防建设和经济社会发展的诸多领域,高分辨率遥感的发展已然对推动社会进步起着至关重要的作用。道路作为基础的地理数据和重要的国情要素,是高分辨率遥感影像中一项重要的地物目标,对于人类生活具有十分重要的影响,道路经过规划设计会形成四通八达的道路网,提取出道路的完整信息构建道路网对于国家经济社会的发展具有十分重要的实用价值,也是各种实际应用开展的关键前提。如为城市规划提供前瞻性指导,为智能交通提供基础数据,为地理信息系统更新提供更高效的技术手段等。因此,如何应用现代高分辨率遥感技术结合一定的计算机技术快速、准确地对道路信息进行识别和更新是当前遥感领域的研究热点。基于国内外对道路提取的几十年研究历史,相关研究学者针对不同源数据,不 ...
【技术保护点】
1.一种基于全局-局部对抗学习框架的跨域道路提取方法,其特征在于,包括以下步骤:/n步骤1,获取有标签的源域数据,以及无标签的目标域影像,一起组成训练集用于网络训练,对训练集进行归一化与数据增强;/n步骤2,构建全局-局部对抗学习框架,包括全局-局部对抗学习网络框架构建和目标函数设计;/n所述全局-局部对抗学习网络框架为生成器和判别器结构,首先利用生成器生成特征,来混淆判别器,生成器后面紧接着两个分支,一个分支进行道路分割,获取道路分割概率图,另一个分支通过全局-局部对抗学习引导生成器生成域不变特征;目标函数包含三个部分:分割损失,参数差异损失和自适应加权的对抗损失;/n步骤3,基于构建的全局-局部对抗学习框架,在训练集上进行训练,优化模型参数,直至收敛;/n步骤4,基于收敛后的全局-局部对抗学习框架,对来自目标域的测试集进行预测,利用输出的道路分割概率图获得道路提取结果。/n
【技术特征摘要】
1.一种基于全局-局部对抗学习框架的跨域道路提取方法,其特征在于,包括以下步骤:
步骤1,获取有标签的源域数据,以及无标签的目标域影像,一起组成训练集用于网络训练,对训练集进行归一化与数据增强;
步骤2,构建全局-局部对抗学习框架,包括全局-局部对抗学习网络框架构建和目标函数设计;
所述全局-局部对抗学习网络框架为生成器和判别器结构,首先利用生成器生成特征,来混淆判别器,生成器后面紧接着两个分支,一个分支进行道路分割,获取道路分割概率图,另一个分支通过全局-局部对抗学习引导生成器生成域不变特征;目标函数包含三个部分:分割损失,参数差异损失和自适应加权的对抗损失;
步骤3,基于构建的全局-局部对抗学习框架,在训练集上进行训练,优化模型参数,直至收敛;
步骤4,基于收敛后的全局-局部对抗学习框架,对来自目标域的测试集进行预测,利用输出的道路分割概率图获得道路提取结果。
2.如权利要求1所述的一种基于全局-局部对抗学习框架的跨域道路提取方法,其特征在于:所述步骤1的实现方式如下,
步骤1.1,在SpaceNet道路提取竞赛网站上进行注册,下载数据集,划分出源域训练样本;
步骤1.2,在目标域测试集影像范围的相邻区域下载与之地理位置不重合,但时间和分辨率一致的目标域影像,作为目标域的无标记影像;
步骤1.3,将有标记的源域数据和无标记的目标域影像一起组成训练集,对训练集进行归一化操作,并利用水平翻转、垂直翻转和随机旋转对训练集进行数据增强。
3.如权利要求1所述的一种基于全局-局部对抗学习框架的跨域道路提取方法,其特征在于:所述步骤2中全局-局部对抗学习网络框架的具体结构如下;
该框架采用在ImageNet数据集上预训练的修正后的ResNet作为生成器,移除ResNet50的第四个残差块,并将第三个残差块内的最后一层卷积的步长由2变成1,同时将标准卷积替换成空洞率为2的空洞卷积,以保证特征分辨率不降低的同时增大网络感受野,由此,得到修正后的ResNet生成器,对于输入的源域影像xs和目标域影像xt,经过生成器之后,得到源域输出es和目标域输出et;生成器之后是两个分支,一个分支进行道路分割,首先采用1×1卷积将源域特征es的维度降低,然后通过双线性插值将特征图进行上采样,再采用跳跃连接,通过和相应的低层特征进行逐像素的相加,来恢复更详细的空间细节信息,之后分别采用3×3卷积和1×1卷积降低特征图维度,最后通过双线性插值,四倍上采样恢复到原始输入大小,并通过Sigmoid分类器获取道路分割概率图;另一个分支进行全局-局部对抗学习,利用两个互斥分类器,分别输出一个二维特征图m1和m2,紧接着1×1卷积得到一维的概率图p1和p2,最终的概率值p是p1和p2之和;
对于判别器D,采用的是不同通道数的五层全卷积网络,每一个卷积层...
【专利技术属性】
技术研发人员:卢晓燕,钟燕飞,郑卓,王俊珏,张良培,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。