一种顾及地物物候异质性的跨域遥感影像自适应学习方法技术

本发明专利技术公开了一种顾及地物物候异质性的跨域遥感影像自适应学习方法，所述方法包括以下步骤：给定带有分割标签Y

【技术实现步骤摘要】
一种顾及地物物候异质性的跨域遥感影像自适应学习方法


[0001]本专利技术属于域自适应学习
，尤其涉及一种顾及地物物候异质性的跨域遥感影像自适应学习方法。

技术介绍

[0002]遥感技术凭借覆盖面广、高时空分辨率、信息量大等特点，已成为地表覆盖分类研究的重要手段。在全球经济一体化的形势下，地表覆盖分类的尺度范围不再局限于国家本土，而是扩大到区域或全球尺度，传统人工解译分类方法工作量大、更新速度慢，已经远不能满足现代地图制图需求。近年来，深度学习等人工智能技术的进步推进了遥感影像解译智能化的发展，涌现了大量以深度学习为基础的数据驱动的遥感影像解译方法。
[0003]然而，已有的各种数据驱动的遥感影像深度学习模型的良好性能要求测试数据和训练数据满足独立同分布假设。在多时相遥感影像分类的真实应用场景中，有标注的训练数据(源域)和无标注的测试数据(目标域)往往来源于不同的数据分布，具有显著的视觉风格差异，导致源域模型在目标域的性能表现较差。为了解决这一难题，近几年不少研究工作致力于利用深度神经网络学习不同图像域的映射，其动机是将某一个域的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种顾及地物物候异质性的跨域遥感影像自适应学习方法，其特征在于，该方法应用于风格迁移网络M
st
和语义分割网络M
seg
，所述方法包括以下步骤：给定带有分割标签Y
A
的源时相数据集X
A
和没有标签的目标时相数据集X
B
，训练M
st
生成顾及地物物候异质性的风格迁移样本；利用所述风格迁移样本训练M
seg
减小源域和目标域的类别特征分布差异，同时构建M
st
和M
seg
的双向优化学习机制，提升跨时相遥感影像域自适应学习能力，完成对X
B
的语义分割任务；所述双向优化学习机制中模型双向优化包括两个方向：(M
seg
→
M
st
)和(M
st
→
M
seg
)；表示第m次模型双向优化，表示初始模型为源域模型，为生成的目标域伪分割图；(M
seg
→
M
st
)优化方向表示利用语义分割网络预测的目标域伪标签训练顾及地物物候异质性的风格迁移网络，(M
st
→
M
seg
)优化方向表示利用风格迁移样本优化语义分割网络。2.根据权利要求1所述的顾及地物物候异质性的跨域遥感影像自适应学习方法，其特征在于，给定一个图像特征图和对应尺度的地物分割图对于地物类别k，得到类别特征图用类别特征通道维的均值和方差表示该图像的地物类别风格像的地物类别风格其中，其中，用和分别表示不同图像域的地物类别特征风格参数集合，其中，μ
k
表示均值，σ
k
表示方差，β
k
，γ
k
表示μ
k
，σ
k
的数学期望；假定对于地物类别k，图像域共包含N
k
个采样像素，则个采样像素，则先随机选择一部分样本利用上式初始化β
k
，γ
k
，在模型训练过程中利用移动平均逐步更新β
k
，γ
k
：β
k
←
λβ
k
+(1
‑
λ)μ
k
(F)γ
k
←
λγ
k
+(1
‑
λ)σ
k
(F)其中λ是动量系数，设置为0.9999；通过自适应分割样本规范化对嵌入特征进行逐类别的正则约束，定义如下：
其中表示地物类别特征风格参数集合，表示物候敏感因子，如果类别k是物候敏感地物，w
k
＝1，否则w
k
＝0，即对物候敏感地物类别特征进行风格正则化。3.根据权利要求2所述的顾及地物物候异质性的跨域遥感影像自适应学习方法，其特征在于，所述顾及地物物候异质性的风格迁移的过程，包括：不同域空间样本X
A
和X
B
经过域编码器得到嵌入特征F
A
和F
B
，F
A

【专利技术属性】
技术研发人员：陶超，王昊，李海峰，孙燕涛，云杰，
申请(专利权)人：内蒙航天动力机械测试所，
类型：发明
国别省市：