【技术实现步骤摘要】
基于课程学习的无监督域自适应遥感图像语义分割方法
[0001]本专利技术涉及图像分割
,具体而言,涉及一种基于课程学习的无监督域自适应遥感图像语义分割方法。
技术介绍
[0002]语义分割即对图像中每一个像素点进行分类,确定每个点的类别,从而进行区域划分;语义分割的目的是预测像素级的语义标签。随着遥感领域的发展,遥感卫星可以获取到大量的遥感图像数据,对遥感图像进行有效的语义分割可以对地物类别进行像素级分类,在路网提取、土地覆盖等方面都有广泛的应用,在更新基础地理数据、自主农业、智能交通、城市规划和可持续发展等方面有重要的意义,具有广泛的实用价值;但是遥感图像语义分割存在两个问题:分辨率高尺度大,标注需要花费巨大的人力和时间;而且不同地区地形地貌和建筑风格等方面存在较大的差异,将训练好的模型应用到不同地理空间区域时其分割效果往往不尽人意;例如:在城市和农村地区,土地覆盖的表现形式在类别分布、物体尺度和像元光谱上差异很大。
[0003]无监督域自适应方法可以较好的解决上述问题,尽可能利用有标注的源域数据,在不针对目标数据集进行重新标注的情况下,在不可见的目标数据集上取得较好的语义分割结果。无监督域自适应是假定所有的测试数据都没有标注,无监督域自适应的目标是即使在训练图像和测试图像之间存在较大的领域差异时也能生成高质量的分割,现有技术中,为了提高卷积神经网络(CNN)的泛化能力,常用方法之包括利用伽马校正、随机对比度变化等多种数据增强技术来丰富训练数据;此外,基于对抗的特征对齐方法采用生成对抗网络(GAN)来 ...
【技术保护点】
【技术特征摘要】
1.基于课程学习的无监督域自适应遥感图像语义分割方法,其特征在于,包括:步骤1、采集具有标签的源域数据D
s
={X
s
,Y
s
}和无标签的目标域数据D
t
={X
t
};其中,X
s
为源域图像,Y
s
为对应源域图像X
s
的标签;X
t
是目标域图像;源域数据D
s
和目标域数据D
t
共享标签空间;步骤2、构建交叉熵损失函数,根据交叉熵损失函数在源域数据D
s
上预训练教师模型M
T
,并保留预训练的权重参数;步骤3、构建与教师模型M
T
相同的学生模型M
S
,并基于教师模型M
T
和预训练的权重参数初始化学生模型M
S
;步骤4、使用教师模型M
T
对目标域数据D
t
进行预测,预测得到每个目标域像素属于某类别的概率的置信度图,并根据置信图统计每个类别的像素数目及占比;步骤5、采用类别平衡的方式对占比k
i
的目标域像素数目进行筛选,得到目标域伪标签步骤6、将源域数据和将占比k
i
的目标域数据及其伪标签采用交叉熵损失训练学生模型,计算并输出交叉熵损失曲线,根据交叉熵损失曲线判断交叉熵损失训练是否趋于稳定,若是,则进入步骤7,否则,继续通过源域数据和将占比k
i
的目标域数据训练学生模型;步骤7、k
i
=k
i
+M,M为使得k
i
呈线性递增的常数;判断k
i
是否小于等于K;若是,则返回步骤5;若否,则进入步骤8;步骤8、将目标域数据D
t
输入保存的学生模型M
S
进行测试,提取图像的特征,采用平均交并比mIoU作为评价指标评价...
【专利技术属性】
技术研发人员:冉令燕,冀程,张世周,张晓强,张艳宁,
申请(专利权)人:西北工业大学宁波研究院,
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。