一种基于风格迁移技术的草原植被覆盖数据适配方法组成比例

本发明专利技术一种基于风格迁移技术的草原植被覆盖数据适配方法。选择任意一个特征提取层作为适配的特征，并利用风格关联矩阵计算每个上游数据样本的风格特征；构建上下游数据风格迁移网络，通过自适应实例归一化计算上游数据特征各通道的均值与方差，将其作为仿射参数作用于归一化后的下游数据特征上，通过生成对抗训练让下游任务数据的跨域变换样本模拟上游数据的风格，通过定义一些约束来保证风格迁移后的数据语义内容一致；利用已学习的N个图像风格转化模型逐一对下游任务数据集进行风格转化，得到适配后的下游任务数据集。本发明专利技术解决上游数据集样本规模庞大，可能包含多种风格的问题，从而得到更好的数据适配结果。从而得到更好的数据适配结果。从而得到更好的数据适配结果。

【技术实现步骤摘要】
一种基于风格迁移技术的草原植被覆盖数据适配方法


[0001]本专利技术涉及数据库处理
，具体涉及一种基于风格迁移技术的草原植被覆盖数据适配方法。

技术介绍

[0002]传统机器学习中，学习过程是相对独立的，只在特定的模型、数据集和任务上形成，模型之间既不保留知识，也不传递知识。迁移学习可以利用预先训练的模型的权重和特征等知识来训练新模型。使用模型迁移学习速度更快，精确度更高，需要的训练数据更少。将深度学习与迁移学习相结合，对数据集以及训练好的模型加以利用来完成新的任务是当前模型迁移的主流技术方案。深度迁移学习主要的思想是对训练好的模型和有标注的数据集重新利用。这样已经训练好的网络模型被称为预训练模型。但训练好的模型所用的数据集和任务与新的任务可能是不同的，所以需要对预训练模型使用新任务的数据进行微调。
[0003]根据目标数据集的大小与源域数据集的相似度，将深度迁移学习的微调方式分为四种：(1)目标域数据集较小，与源域数据集相似度较高时，则不需要重新训练模型，只需要修改最后一层输出层即可。(2)目标域数据集较小，与源域数据集相似度较低时，可以冻结模型的前k层，重新训练模型的后n
‑
k层。冻结模型的前k层，用于弥补目标域数据集较小的问题。(3)目标域数据集较大，与源域数据集相似度较高时，采用预训练模型会非常有效，保持模型结构不变和初始权重不变，对模型重新训练。(4)目标域数据集较大，与源域数据集相似度较低时，采用预训练模型不会有太大的效果，可以使用预训练模型或者不使用预训练模型，然后进行重新训练。
[0004]植被覆盖检测作为草地退化评价的重要组成部分,可为制定草地管理策略提供强有力的依据。当前通过使用超大规模的无标注数据集，设计在线学习信号得到的遥感地表要素全局知识表征难以直接用于下游草原植被识别任务。草原植被要素检测的下游任务数据集可能随着气候，光照，季节，成像传感器的变化而与上游静态训练集存在较大的差异，这种异质性将极大地干扰知识迁移，导致以深度学习为代表的有监督学习范式存在模型性能不稳定且迁移能力差的问题，难以在大范围自然资源变化监测应用中达到预期效果。微调模型迁移方法是建立在同构网络框架下的，无法根据数据集的变化灵活调整网络结构，因此无法根据数据集的变化灵活调整网络结构，进而导致丰富的光谱特征没有被充分利用或信息丢失。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出一种基于风格迁移技术的草原植被覆盖数据适配方法，以减小上下游草原植被数据的视觉特征差异，缓解风格差异对知识迁移带来的干扰，提升模型迁移的学习效果。
[0006]为解决技术问题本专利技术采用的技术方案
[0007]一种基于风格迁移技术的草原植被覆盖数据适配方法，具体操作为：
[0008]S1，选择遥感通用模型中的任意一个特征提取层作为适配的特征，并利用风格关联矩阵，计算每个上游数据样本的风格特征，计算每个上游数据样本的风格特征采用k均值聚类算法进行聚类，将上游数据切分为N个风格数据子集；
[0009]S2，对每个风格子集，构建上下游数据风格迁移网络，风格迁移网络基于编解码结构实现，通过自适应实例归一化(AdaIN)计算上游数据特征各通道的均值与方差，将其作为仿射参数作用于归一化后的下游数据特征上：
[0010][0011]其中，Fup是上游数据特征，Fdown是下游数据特征；
[0012]S3，通过生成对抗训练让下游任务数据的跨域变换样本模拟上游数据的风格，通过定义一些约束来保证风格迁移后的数据语义内容一致，包括变换语义的一致性约束和边缘梯度的一致性约束：
[0013]L
semantic
＝|F
down
‑
F
′
down
|+|F
down
‑
F
″
down
|
[0014]L
edge
＝Gr(F
down
,F
′
down
)+Gr(F
down
,F
″
down
)
[0015]其中，F
′
down
是下游数据的自变换样本，F
″
down
是下游数据特征的跨域变换样本，Gr(
·
)表示将多波段的影像数据转换为灰度图并利用Sobel算子计算影像的边缘梯度；
[0016]S4，鉴别器的对抗损失函数定义为：
[0017][0018]生成器的对抗损失函数定义为：
[0019][0020]其中，A和B表示两个不同的域空间，以及x
a
和x
b
表示从这些域空间的采样样本，为了增大跨域变换样本的类间差异，采用多分类的对抗损失函数改进鉴别器学习，即要求鉴别器既鉴别原样本和跨域变换样本，也能对原样本中的草原植被类型进行正确分类，鉴别器的对抗损失函数定义更改为：
[0021][0022]生成器的对抗损失函数定义更改为：
[0023][0024]因此，鉴别器和生成器的整体对抗损失函数定义为：
[0025][0026]S5，为进一步增大跨域变换样本的类间差异，考虑给决策边界加间隔，假设x是m维特征向量，w
i
是特征向量生成的概率值，i∈[1，K]，决策边界表示为：
[0027][0028]改写为向量内积形式：
[0029]|w
i
|cos(θ
i
)＝|w
j
|cos(θ
j
)
[0030]对权值进行归一化后，类别i的决策边界可表示为：
[0031]cos(θ
i
)
‑
cos(θ
j
)＝0；
[0032]S6，利用已学习的N个图像风格转化模型逐一对下游任务数据集进行风格转化，得
到适配后的下游任务数据集，为模型迁移学习打下数据基础。
[0033]进一步地，所述S1中风格关联矩阵为Gram矩阵。
[0034]进一步地，所述S5决策边界附近的特征很容易在类别i和类别j之间混淆，考虑给决策边界加间隔，类别i的决策边界为：
[0035]cos(θ
i
)
‑
cos(θ
j
)＝m
[0036]迫使特征远离最初的决策边界，增大了类间特征差异，同时压缩了类内特征差异。
[0037]本专利技术获得的技术效果
[0038]本专利技术提出一种草原植被覆盖数据的风格适配方法，减小上下游草原植被数据的视觉特征差异，利用风格适配样本目标任务构建相互作用，提升模型迁移的学习效果，为模型迁移学习打下数据基础，为草原保护、科学利用等提供支撑。
[0039]本专利技术与现有微调模型迁移方法相比，可根据数据集的变化灵活调整网络结构，可充分利用数据集丰富的光谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风格迁移技术的草原植被覆盖数据适配方法，其特征在于，具体操作为：S1，选择遥感通用模型中的任意一个特征提取层作为适配的特征，并利用风格关联矩阵，计算每个上游数据样本的风格特征；S2，对每个风格子集，构建上下游数据风格迁移网络，风格迁移网络基于编解码结构实现，通过自适应实例归一化(AdaIN)计算上游数据特征各通道的均值与方差，将其作为仿射参数作用于归一化后的下游数据特征上：其中，Fup是上游数据特征，Fdown是下游数据特征；S3，通过生成对抗训练让下游任务数据的跨域变换样本模拟上游数据的风格，通过定义一些约束来保证风格迁移后的数据语义内容一致，包括变换语义的一致性约束和边缘梯度的一致性约束：L
semantic
＝|F
down
‑
F
d
'
own
|+|F
down
‑
F
d”own
|L
edge
＝Gr(F
down
,F
d
'
own
)+Gr(F
down
,F
d”own
)其中，F'
down
是下游数据的自变换样本，F”down
是下游数据特征的跨域变换样本，Gr(
·
)表示将多波段的影像数据转换为灰度图并利用Sobel算子计算影像的边缘梯度；S4，鉴别器的对抗损失函数定义为：生成器的对抗损失函数定义为：其中，A和B表示两个不同的域空间，以及x
a
和x
b
表示从这些域空间的采样样本，为了增大跨域变换样本的类间...

【专利技术属性】
技术研发人员：苑博，孙艳涛，云杰，高翔，张晨，宋艳平，张磊，
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：