一种遥感影像域适应语义分割方法技术

本发明专利技术提供了一种遥感影像域适应语义分割方法，包括步骤1)分别确定源域数据集和目标域数据集，并对源域数据集进行语义标签处理得到对应的真实语义标签图；步骤2)在源域数据集上训练Deeplab

【技术实现步骤摘要】
一种遥感影像域适应语义分割方法


[0001]本专利技术涉及遥感影像
，具体涉及一种遥感影像域适应语义分割方法。

技术介绍

[0002]遥感技术的发展使得高分辨率遥感图像(HRSI)越来越多。语义分割是HRSI分析的一项重要任务，其目的是为每个像素分配特定的语义类别，不同的语义类别具有不同的特征和属性(如颜色、强度和纹理)，相同的语义类别具有相似的特征和属性(如颜色、强度和纹理)。对HRSI进行语义分割在城市交通管理和规划、精准农业以及灾害预测等应用中具有重要的作用。近年来，深度卷积神经网络(DCNN)在特征表示方面表现出了突出的性能。因此，一些基于DCNN的语义分割方法，如FCN，SegNet，UNet，PSPNet和DeepLab，被广泛应用于高分辨率遥感影像逐像素分类中并取得了不错的进展。然而，由这些方法构建的深度语义分割模型均存在可移植性不足的问题，即将在一个特定的有标注的遥感数据集(源域)上训练的深度语义分割模型用于预测另一个具有较大分布差异的无标注的遥感数据集(目标域)时，模型的预测性能会显著下降。
[0003]为了解决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感影像域适应语义分割方法，其特征在于，包括以下步骤：步骤1)、分别确定源域数据集和目标域数据集，并对源域数据集进行语义标签处理得到对应的真实语义标签图；步骤2)、在源域数据集上训练Deeplab
‑
v2语义分割模型；步骤3)、利用Deeplab
‑
v2语义分割模型构建遥感影像域适应语义分割模型；步骤4)、将目标域数据集中的遥感影像输入到步骤3)的遥感影像域适应语义分割模型中进行预测，得到目标域数据集的语义分割预测图；在步骤3)中，所述遥感影像域适应语义分割模型包括语义分割模型S和组合判别器D，所述语义分割模型S包括依次连接的特征提取器F、类别注意力模块CCA和分类器C；所述组合判别器D包括并列设置的全局判别器D
G
和类别判别器D
C
，所述全局判别器D
G
和类别判别器D
C
的输入端均与特征提取器F连接，所述类别判别器D
C
的输出端与类别注意力模块CCA连接，所述全局判别器D
G
用于输出。2.根据权利要求1所述的遥感影像域适应语义分割方法，其特征在于，在步骤3)中，构建遥感影像域适应语义分割模型的步骤包括：步骤3.1)、使用步骤2)Deeplab
‑
v2语义分割模型中所包括的参数分别对特征提取器F和分类器C的参数进行初始化；步骤3.2)、在源域数据集上训练语义分割模型S，更新语义分割模型S的网络参数；步骤3.3)、基于目标域数据集更新特征提取器F的参数；步骤3.4)、基于源域数据集和目标域数据集更新组合判别器D的网络参数；步骤3.5)、重复步骤3.2)
‑
3.4)，直至获得收敛的遥感影像域适应语义分割模型，并保存收敛的遥感影像域适应语义分割模型的参数。3.根据权利要求2所述的遥感影像域适应语义分割方法，其特征在于，所述步骤3.2)包括以下步骤：步骤3.2.1)、将源域数据集中的遥感影像输入特征提取器F中，提取源域数据集中遥感影像的高层特征f
s
；步骤3.2.2)、将高层特征f
s
输入类别判别器D
C
得到源域的类别域标签f
cs
；步骤3.2.3)、将高层特征f
s
和类别域标签f
cs
同时输入类别注意力模块CCA中，得到源域遥感影像的拼接特征；步骤3.2.4)、将步骤3.2.3)得到的拼接特征输入分类器C中进行逐像素分类，对分类结果进行上采样，得到与输入的源域影像尺寸相同的语义标签预测图；步骤3.2.5)、将步骤3.2.4)得到的语义标签预测图与源域数据集中的真实语义标签图利用交叉熵损失函数计算误差，将该计算误差反向传播，更新语义分割模型S的网络参数；其中，所述交叉熵损失函数表达式(1)为：在表达式(1)中，M表示样本数，y
(k)
表示第k个样本的真实语义标签值，表示第k个样本的预测标签值，L
seg
表示损失值。4.根据权利要求3所述的遥感影像域适应语义分割方法，其特征在于，所述步骤3.3)包括以下步骤：
步骤3.3.1)、将目标域数据集中的遥感影像输入特征提取器F中，提取目标域数据集中遥感影像的高层特征f
t
；步骤3.3.2)、将高层特征f
t
输入全局判别器D
G
得到全局域标签f
gt
，将高层特征f
t
输入类别判别器D
C
得到类别域标签f
ct
；步骤3.3.3)、将全局域标签f
gt
与源域标签0利用第一二元交叉熵损失函数表达式(3)计算全局对抗损失，将类别域标签f
ct
与源域标签0利用第二二元交叉熵损失函数表达式(4)计算类别级对抗损失，将全局对抗损失和类别级对抗损失进行加权求和得到第一总体对抗损失，将该损失反向传播，更新特征提取器F的网络参数；其中，所述第一总体对抗损失函数表达式(2)为：L
adv
(X
T
)＝λ
adv_g
L
adv_g
(X
T
)+λ
adv_c
L
adv_c
(X
T
)
ꢀꢀꢀꢀꢀ
(2)在表达式(2)中，L
adv_g
(X
T
)和L
adv_c
(X
T
)分别表示全局对抗损失和类别级对抗损失，λ
adv_g
和λ
adv_c
分别表示全局对抗损失的权重和类别级对抗损失的权重，X
T
表示目标域的影像；L
adv_g
(X
T
)的表达式(3)为：L
adv_c
(X
T
)的表达式(4)为：在表达式(3)和(4)中，P
T
(x)表示目标域数据集的数据分布，x～P
T
(x)表示目标域数据集中的遥感影像服从P
T
(x)的分布，表示x～P
T
(x)的期望，F(X
T
)表示特征提取器F提取的目标域特征，D
g
(F(X
T
))表示目标域影像的全局判别器输出，表示类别数为第i类时目标域影像的类别级判别器输出，N表示类别数。5.根据权利要求4所述的遥感影像域适应语义分割方法，其特征在于，所述步骤3.4)的具体过程如下：将步骤3.2.1)中提取的高层特征f

【专利技术属性】
技术研发人员：陈杰，刘方亮，赵杰，东野升效，朱晶茹，张轶，
申请(专利权)人：山东卓元数据技术有限公司，
类型：发明
国别省市：