【技术实现步骤摘要】
交叉一致性自训练遥感图像语义分割网络训练方法及装置
[0001]本申请涉及遥感图像分割
，尤其涉及一种交叉一致性自训练遥感图像语义分割网络训练方法及装置。
技术介绍
[0002]图像分割是指把图像分成各具特征的区域并提取出感兴趣目标的技术和过程，遥感图像是一种常用且典型的彩色图像，受到了广泛关注。利用图像分割技术将遥感图像中的像素标记为一种地物类型，比如建筑、水体、道路、耕地、车辆等等，一直是广大学者的研究热点。传统图像分割方法(如阈值法、k
‑
Means聚类法、区域法、边缘检测法)只关心找到地物的边界轮廓，并不关心地物所属的类别。近年来，得益于深度学习的快速发展与计算机存储与运算力的极大提升，使得基于深度卷积神经网络的语义分割方法成为高分辨率遥感影像分割新的利器。
[0003]但是，基于深度卷积神经网络的语义分割可以认为是像素级的分类任务，需要对影像中的地物目标进行密集标注，标注难度更大，有其是对高分辨率遥感影像来说，语义分割数据集的标注需要大量的人工和时间，这给基于深度卷积神经网络的遥感影...
【技术保护点】
【技术特征摘要】
1.一种交叉一致性自训练遥感图像语义分割网络训练方法，其特征在于，包括：构建遥感图像语义分割网络，所述遥感语义分割网络为UNet；根据遥感图像样本数据集对所述遥感图像语义分割网络进行训练；将实时拍摄的遥感图像输入训练完成的遥感图像语义分割网络，并输出所述遥感图像的语义分割结果。2.根据权利要求1所述的方法，其特征在于，所述根据遥感图像数据集对所述遥感图像语义分割网络进行训练，包括：获取所述遥感图像样本数据集，所述述遥感图像样本数据集中包含遥感图像；对所述遥感图像中像素的地物类别进行标记，以生成对应的标签遥感图像；对所述遥感图像样本数据集进行预处理，以划分得到训练集、验证集和测试集；构建包括编码器、主解码器与多个辅助解码器的遥感图像语义分割网络；将所述训练集分为标记样本与无标记样本，并输入所述遥感图像语义分割网络中进行训练。3.根据权利要求2所述的方法，其特征在于，所述输入所述遥感图像语义分割网络中进行训练，包括：确定所述遥感图像语义分割网络训练所用的超参数与损失函数；优化遥感图像语义分割网络的参数至所述验证集预测结果的预测精度达到预设精度阈值；将所述测试集输入训练好的遥感图像语义分割网络验证网络分割准确性。4.根据权利要求2所述的方法，其特征在于，所述遥感语义分割网络的训练，包括：将训练集遥感图像分为标记样本与无标记样本，其中，所述标记样本包含遥感图像与对应的标签遥感图像，所述无标记样本只包含遥感图像；第一训练阶段，将标记样本与无标记样本输入所述遥感语义分割网络的编码器，所述编码器提取的标记样本特征图并输入至主解码器，所得预测结果与标签数据计算监督损失；第二训练阶段第一部分，将所述编码器提取的无标记样本特征图进行随机变换，并输入至主解码器和辅助解码器中，根据所述辅助解码器的预测结果与主解码器的预测结果计算一致性损失；第二训练阶段第二部分，将所述主解码器与所述辅助解码器的预测结果进行融合以得到伪标记，将所述伪标记与对应的遥感图像作为标记样本进行监督训练。5.根据权利要求2所述的方法，其特征在于，所述对所述遥感图像样本数据集进行预处理，包括：对所述遥感图像样本数据集中的遥感影像随机采样为小图进行多轮次批量训练，其中，每轮训练采样频率为480；根据显存空间大小设置所述遥感影像的采样尺寸和训练批次数值，其中，输入图像默认尺寸为512
×
512，训练批次默认为10；对所述遥感图像和所述标签遥感图像进行多轮随机采样，其中，每次采样得到512
×
512大小的有标记遥感影像与对应标签图，以及无标记影像；对各轮采样的样本都进行随机次数和随机程度的数据增强，设置训练样本增强参数范
围，其中，所述数据增强包括以下的至少一项：随机旋转n
×
90
°
(n＝0，1，2，3)；随机水平方向或垂直方向180
°
翻转；随机尺度缩放，所述尺寸缩放的倍数取值范围为[0.5，2]；随机亮度增强，所述亮度增强的倍数取值范围为[0.5，2]；随机对比度增强，所述对比度增强的倍数取值范围为[0.5，2]；随机饱和度增强，所述饱和度...
【专利技术属性】
技术研发人员：吕亮，齐革军，牛晨晖，陈晓路，杭兆峰，刘溟江，姚中原，严祺慧，王恩民，任鑫，王华，童彤，赵鹏程，杜静宇，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司华能国际电力江苏能源开发有限公司华能国际电力江苏能源开发有限公司清洁能源分公司，
类型：发明
国别省市：
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。