基于双向生成的跨异质域小样本学习高光谱变化检测方法技术

本发明专利技术公开一种基于双向生成的跨异质域小样本学习高光谱变化检测方法，首先定义一个映射层，将源域与目标域不同维度的影像块统一至同一维度；其次，依据所提出的多任务生成编码器，对两个域的影像块进行空谱联合特征的提取，并通过距离度量进行跨异质域小样本学习。同时，多任务生成编码器承担特征分布重建任务，与鉴别器一同完成跨异质域适应，从而实现高光谱影像变化检测。可降低模型训练对于标记样本数量的依赖，同时缓解了因捕获数据的传感器不同以及跨域的场景差异所带来异质域数据固有的域偏移问题，实现源域可共享信息的有效迁移以协助高光谱影像在小样本条件下实现高质量的变化检测，提高检测精度及可视效果。提高检测精度及可视效果。提高检测精度及可视效果。

【技术实现步骤摘要】
基于双向生成的跨异质域小样本学习高光谱变化检测方法


[0001]本专利技术属于数字图像处理方法，尤其涉及一种基于双向生成的跨异质域小样本学习高光谱变化检测方法。

技术介绍

[0002]遥感影像变化检测是一种通过比较同一场景在不同时间获得的一组影像来识别地表差异的重要技术，在土地资源普查，城区发展规划，植被生态监测，环境检测等多个领域发挥着重要作用，有着极其广泛的应用前景。
[0003]高光谱影像中包含许多连续的波段，并且其中蕴含丰富的光谱和空间信息，极大提高了对于地表覆盖的探测和识别的能力，为更精细的地物变化检测提供可能，故越来越多的变化检测任务尝试使用高光谱影像来实现。然而，高光谱影像变化检测任务存在着标记样本有限的问题。高光谱影像的手动注释通常需要土地覆盖专家进行实地的勘察，大大增加了样本标注的成本和时间。在实际应用中，收集大量的标记训练样本往往是不切实际的，通常只有少量标记样本可用，阻碍了模型的有效训练。
[0004]目前，基于无监督的变化检测方法因不需要任何手动标记信息而受到关注。在网络的无监督训练过程中，生成伪标签样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向生成的跨异质域小样本学习高光谱变化检测方法，其特征在于依次按照如下步骤进行：步骤1.对源域多光谱双时相影像及对应的标签图进行预处理,得到源域多光谱影像训练集D
S
及标签训练集对高光谱双时相影像及对应的标签图进行预处理，得到目标域高光谱影像测试集D
t
、训练集D
f
及标签训练集步骤1.1将T1时相的多光谱影像与T2时相的多光谱影像相减，得到多光谱差值影像将得到的多光谱差值影像及对应的标签图分别按照步长为p
×
q的切块方式切出大小为p
×
q的数据块，记切出的多光谱差值影像数据块为X
s
＝{x
s,i
|i＝1,
…
,N}和标签数据块X
SL
＝{x
SL,i
|i＝1,
…
,N}，其中N为数据块个数；步骤1.2将待检测的T1时相的高光谱影像与T2时相的高光谱影像相减，得到高光谱差值影像将得到的高光谱差值影像及对应的标签图分别按照步长为p
×
q的切块方式切出大小为p
×
q的数据块，记切出的高光谱差值影像数据块为X
t
＝{x
t,i
|i＝1,
…
,N}和标签数据块X
TL
＝{x
TL,i
|i＝1,
…
,N},其中N为数据块个数；步骤1.3从高光谱差值影像数据块X
t
中随机采少量样本，并向样本中添加随机高斯噪声扩充样本，得到扩充后的小样本高光谱影像数据X
tf
＝{x
tf,i
|i＝1,
…
,N}及对应的小样本标签数据块X
tfL
＝{x
tfL,i
|i＝1,
…
,N}；步骤1.4多光谱差值影像数据块X
s
构成源域多光谱影像训练集D
S
，标签数据块X
SL
构成多光谱标签训练集高光谱差值影像数据块X
t
构成高光谱影像测试集D
t
，数据块X
tf
构成目标域高光谱影像训练集D
f
，标签数据块X
tfL
构成高光谱标签训练集步骤2.设置网络迭代总次数为T；步骤3.将源域多光谱影像训练集样本及目标域高光谱影像训练集样本分别以和{x
tf,i
,Y
tf,i
|x
tf,i
∈D
f
,Y
tf,i
∈DtfLabelTrain,i＝1,
…
,N的形式输入到网络中，以CELoss联合基于Wasserstein距离的GANLoss作为损失函数进行训练：步骤3.1利用映射层统一源域多光谱影像训练集D
S
和目标域高光谱影像训练集D
f
中数据块的维度：分别将源域训练集样本与目标域训练集样本通过卷积核大小为1，卷积核个数为d，步长为1的卷积层统一维度至空间，其中CH为多光谱原始影像的维度，ch为高光谱原始影像的维度，记统一维度后源域训练集样本为目标域训练集样本为步骤3.2利用网络对x
′
s
及x
′
tf
进行空谱联合特征的提取并重构特征的分布：步骤3.2.1利用多任务生成编码器中的残差网络，分别对源域训练集样本x
′
s
及目标域训练集样本x
′
tf
进行空谱联合特征提取，记源域训练集样本x
′
s
提取到的特征为目标域训练集样本x
′
tf
提取到的特征为
步骤3.2.2利用多任务生成编码器中的编码器网络，对提取到的特征F
s
、F
tf
进行特征分布的重构，记源域重构的特征分布为p
S
，目标域重构的特征分布为p
t
；步骤3.3利用源域与目标域提取到的...

【专利技术属性】
技术研发人员：王相海，李思瑶，赵晓阳，赵克云，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：