【技术实现步骤摘要】
基于域转换和伪标签的小样本城市遥感影像信息提取方法
[0001]本专利技术属于遥感影像信息提取领域，涉及一种基于域转换和伪标签生成的小样本城市遥感影像信息提取方法。
技术介绍
[0002]当前城市可持续发展面临严峻的挑战，城市内涝、城市热岛以及城市生态功能退化等“城市病”已成为亟待解决的全球性问题。“高分”专项的实施为遥感获取全球城市地理信息提供了可用的数据。但是受遥感影像智能解译水平的限制，对遥感影像进行解译、提取各种地物要素，以达到城市精细化管理的需求是城市信息提取的迫切需求和难题。
[0003]近年来，随着机器学习理论的发展，基于深度学习的方法被广泛应用于信息提取任务，并且获得了相较于传统手工设计算法更好的模型性能。然而，基于深度学习的方法训练依赖于大量高质量的标注样本，受地理区位和天气等因素的限制，某些城市中只有少量可用的样本，同时受地物光谱反射差异的影像，不同区域相同的地物之间呈现出的特征差异较大，“同物异谱”现象更为显著。因此，现有的基于深度学习的信息提取模型在遥感数据中泛化能力较低。
专利技术内...
【技术保护点】
【技术特征摘要】
1.一种基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：包括以下步骤，步骤a，构建源空间
‑
目标空间域转换网络，所述源空间
‑
目标空间的域转换网络由生成网络1和判决网络1组成；将源空间已标注数据输入生成网络1转换到未标注的小样本数据空间，同时将生成网络1转换所得小样本空间图像和真实小样本数据输入到判决网络，用于实现生成图像和真实数据分布相同；步骤b，构建一个目标空间
‑
源空间的域还原网络，目标空间
‑
源头空间的域还原网络由生成网络2和判决网络2组成；生成网络2将域转换之后的图像还原到原始影像空间，得到生成的源空间图像；判决网络2用于实现生成的源空间图像和真实源空间数据分布相同，以保证语义不变性；步骤c，构建半监督编码网络，将域转换后的图像输入到半监督编码网络中得到相应隐向量，将小样本空间的未标注图像输入到半监督编码网络中得到相应隐向量；并通过高斯过程对隐向量进行建模，获得伪标签；步骤d，构建半监督解码网络，将隐向量输入到半监督解码网络得到相应预测结果；步骤e，对步骤a
‑
d构建的网络模型进行优化，基于优化结果获取小样本城市遥感影像中的城市典型要素分类。2.根据权利要求1所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：生成网络1由编码网络和解码网络组成，编码网络用于将图像采样到高维语义特征空间，包括4k个串联的采样模块，每个采样模块依次包括两个卷积核为3*3的卷积层和一个最大池化层；前k个采样模块的卷积核数量为n，第k+1
‑
2k个采样模块的卷积核数量为2n，第2k+1
‑
3k个采样模块的卷积核数量为4n，最后k个采样模块的卷积核数量为8n，n和k为预设的取值；解码网络用于将高维语义特征还原到原始尺寸，包括4k个串联的上采样模块，前3k个采样模块依次包括两...
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。