基于深度对抗网络的遥感影像转换地图迁移方法和装置制造方法及图纸

本申请涉及一种基于深度对抗网络的遥感影像转换地图迁移方法和装置。所述方法包括：首先，采用深度对抗网络为基础，在进行网络训练时，选择了两个部分的数据集，包括：遥感图像和多个类别的地图；然后通过内容编码器和类别编码器分别进行内容层次上的深层编码和类别上的深层编码，从而挖掘到内容上隐藏的特征以及类别的特点，然后通过解码器进行解码，可以得到预测地图，采用上述方法，由于采用了多个类别的地图作为数据集，从而在进行场景迁移时，还可以准确的进行地图生成。还可以准确的进行地图生成。还可以准确的进行地图生成。

【技术实现步骤摘要】
基于深度对抗网络的遥感影像转换地图迁移方法和装置


[0001]本申请涉及遥感地图处理
，特别是涉及一种基于深度对抗网络的遥感影像转换地图迁移方法和装置。

技术介绍

[0002]利用遥感影像生成地图，可以使人们充分了解不同地区的文化活动和自然要素。此外，在地震、火灾或海啸等紧急情况下，生成和更新地图也至关重要。在这种情况下，在灾难性的力量摧毁了人造基础设施之后，原始地图往往变得毫无用处。新生成的地图涵盖了被摧毁的道路和建筑物的信息，可以在一定程度上为救援团队提供帮助。
[0003]目前，地图转换模型建立在同源训练数据集和测试数据集的基础之上下，但是无法在先验知识的基础上进行新类别的泛化。如果同时使用不同类别的地图数据集作为训练集，模型可能会因为混合输入而混淆，从而导致地图生成无法进行迁移。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种地图生成模型可以迁移的基于深度对抗网络的遥感影像转换地图迁移方法和装置。
[0005]一种基于深度对抗网络的遥感影像转换地图迁移方法，所述方法包括：
[0006]将遥感图像样本和多个类别的地图输入深度对抗网络的生成器；其中，所述生成器包括：内容编码器、类别编码器和解码器；所述遥感图像样本输入至所述内容编码器，所述多个类别的地图输入所述类别编码器；
[0007]通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征；
[0008]通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量；
[0009]将所述潜在类别向量和所述潜在内容特征输入所述解码器，根据所述潜在类别向量得到均值方差向量，将所述均值方差向量作为仿射变换参数，根据所述仿射变换参数对所述潜在内容特征进行缩放处理，得到预测地图；
[0010]根据所述遥感图像样本对应的地图和所述预测地图，通过深度对抗网络的判别器进行判别，得到判别结果，根据判别结果和预先设置的损失函数进行反向训练，得到训练好的深度对抗网络；
[0011]通过训练好的深度对抗网络完成任意场景遥感影像的地图转换。
[0012]在其中一个实施例中，所述判别器包括：注意力模块；还包括：将所述遥感图像样本对应的地图输入所述注意力模块，得到空间注意力特征图；通过所述内容编码器的卷积层对所述遥感图像进行处理，得到遥感图像特征图；将所述空间注意力特征图和所述遥感图像特征图做像素乘积，得到注意力遥感图像特征图；通过所述内容编码器对所述注意力遥感图像特征图进行处理，得到潜在内容特征。
[0013]在其中一个实施例中，所述注意力模块包括多个残差块；还包括：将所述遥感图像样本对应的地图输入多个残差块，以使所述遥感图像样本对应的地图在各个残差块中每个
空间位置的激活映射，通过求和方式，得到残差块注意力图；对所述残差块注意力图进行求和后归一化，得到空间注意力特征图。
[0014]在其中一个实施例中，还包括：通过所述类别编码器对所述多个类别的地图进行卷积处理，得到多个类别的地图对应的类别特征图，对所述类别特征图进行均值操作，得到潜在类别向量。
[0015]在其中一个实施例中，所述损失函数包括：深度对抗网络损失、特征图损失和一致性损失；其中，所述深度对抗网络损失为生成器和判别器对抗对应的损失，所述特征图损失为从遥感图像样本对应的地图到空间注意力特征图的损失，所述一致性损失为深度对抗网络输入为地图时，输出也为地图的损失。
[0016]在其中一个实施例中，所述内容编码器包含4层卷积网络和两个残差块；所述类别编码器包括5层卷积网络和一个均值计算模块。
[0017]在其中一个实施例中，所述解码器包括：内容编码通道和类别编码通道，所述内容编码通道包括两个自适应残差块，所述类别编码通道包括两个全连接层；其中，所述类别编码通道的两个全连接层将所述潜在类别向量转化均值方差向量，所述均值方差向量包括均值和方差，将所述均值作为偏差，所述方差作为缩放因子，进行所述潜在内容特征的处理以生成地图。
[0018]一种基于深度对抗网络的遥感影像转换地图迁移装置，所述装置包括：
[0019]输入模块，用于将遥感图像样本和多个类别的地图输入深度对抗网络的生成器；其中，所述生成器包括：内容编码器、类别编码器和解码器；所述遥感图像样本输入至所述内容编码器，所述多个类别的地图输入所述类别编码器；
[0020]预测模块，用于通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征；通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量；将所述潜在类别向量和所述潜在内容特征输入所述解码器，根据所述潜在类别向量得到均值方差向量，将所述均值方差向量作为仿射变换参数，根据所述仿射变换参数对所述潜在内容特征进行缩放处理，得到预测地图；
[0021]训练模块，用于根据所述遥感图像样本对应的地图和所述预测地图，通过深度对抗网络的判别器进行判别，得到判别结果，根据判别结果和预先设置的损失函数进行反向训练，得到训练好的深度对抗网络；
[0022]迁移模块，用于通过训练好的深度对抗网络完成任意场景遥感影像的地图转换。
[0023]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0024]将遥感图像样本和多个类别的地图输入深度对抗网络的生成器；其中，所述生成器包括：内容编码器、类别编码器和解码器；所述遥感图像样本输入至所述内容编码器，所述多个类别的地图输入所述类别编码器；
[0025]通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征；
[0026]通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量；
[0027]将所述潜在类别向量和所述潜在内容特征输入所述解码器，根据所述潜在类别向量得到均值方差向量，将所述均值方差向量作为仿射变换参数，根据所述仿射变换参数对所述潜在内容特征进行缩放处理，得到预测地图；
[0028]根据所述遥感图像样本对应的地图和所述预测地图，通过深度对抗网络的判别器进行判别，得到判别结果，根据判别结果和预先设置的损失函数进行反向训练，得到训练好的深度对抗网络；
[0029]通过训练好的深度对抗网络完成任意场景遥感影像的地图转换。
[0030]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0031]将遥感图像样本和多个类别的地图输入深度对抗网络的生成器；其中，所述生成器包括：内容编码器、类别编码器和解码器；所述遥感图像样本输入至所述内容编码器，所述多个类别的地图输入所述类别编码器；
[0032]通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征；
[0033]通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量；
[0034]将所述潜在类别向量和所述潜在内容特征输入所述解码器，根据所述潜在类别向量得到均值方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度对抗网络的遥感影像转换地图迁移方法，其特征在于，所述方法包括：将遥感图像样本和多个类别的地图输入深度对抗网络的生成器；其中，所述生成器包括：内容编码器、类别编码器和解码器；所述遥感图像样本输入至所述内容编码器，所述多个类别的地图输入所述类别编码器；通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征；通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量；将所述潜在类别向量和所述潜在内容特征输入所述解码器，根据所述潜在类别向量得到均值方差向量，将所述均值方差向量作为仿射变换参数，根据所述仿射变换参数对所述潜在内容特征进行缩放处理，得到预测地图；根据所述遥感图像样本对应的地图和所述预测地图，通过深度对抗网络的判别器进行判别，得到判别结果，根据判别结果和预先设置的损失函数进行反向训练，得到训练好的深度对抗网络；通过训练好的深度对抗网络完成任意场景遥感影像的地图转换。2.根据权利要求1所述的方法，其特征在于，所述判别器包括：注意力模块；通过所述内容编码器对所述遥感图像进行处理，得到潜在内容特征，包括：将所述遥感图像样本对应的地图输入所述注意力模块，得到空间注意力特征图；通过所述内容编码器的卷积层对所述遥感图像进行处理，得到遥感图像特征图；将所述空间注意力特征图和所述遥感图像特征图做像素乘积，得到注意力遥感图像特征图；通过所述内容编码器对所述注意力遥感图像特征图进行处理，得到潜在内容特征。3.根据权利要求2所述的方法，其特征在于，所述注意力模块包括多个残差块；将所述遥感图像样本对应的地图输入所述注意力模块，得到空间注意力特征图，包括：将所述遥感图像样本对应的地图输入多个残差块，以使所述遥感图像样本对应的地图在各个残差块中每个空间位置的激活映射，通过求和方式，得到残差块注意力图；对所述残差块注意力图进行求和后归一化，得到空间注意力特征图。4.根据权利要求1所述的方法，其特征在于，所述通过所述类别编码器对所述多个类别的地图进行处理，得到潜在类别向量，包括：通过所述类别编码器对所述多个类别的地图进行卷积处理，得到多个类别的地图对应的类别特征图，对所述类别特征图进行均值操作，得到潜在类别向量。5.根据权利要求2或3所述的方法，其特征在于，所述损失函数包括...

【专利技术属性】
技术研发人员：陈浩，宋洁琼，伍江江，彭双，杜春，熊伟，吴烨，李军，贾庆仁，杨岸然，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：