基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质技术方案

基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质，方法包括：从存在域差异的高分辨率大场景SAR影像中，选取一张为源域图像，另一张为目标域图像，对源域和目标域图像分别标签，将图像及对应标签均进行裁剪；构建深度自注意力网络；建立掩码增强模块，获取包含局部信息的目标域掩码增强图像；使用无监督域自适应方法和掩码增强模块对深度自注意力网络在线自训练；重复并达到最大训练次数，获得训练好的网络模型；将目标域图像及对应标签送入训练好的网络模型进行水体提取，得到预测结果图，计算分类指标；系统、设备及介质用于实现该方法；本发明专利技术能够进一步关注不容易被提取的水体精细特征，且提高了模型泛化能力。且提高了模型泛化能力。且提高了模型泛化能力。

【技术实现步骤摘要】
基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质


[0001]本专利技术属于SAR影像智能解译
，具体涉及基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质。

技术介绍

[0002]合成孔径雷达(SAR)是一种高分辨主动式微波遥感成像雷达，具有全天时全天候、连续监测的特点，其穿透性强，不受云雨雾等天气条件影响，能够穿透地表、叶簇等地球表面结构，广泛应用于军事和民用方面，如环境保护、灾害监测、海洋观测、资源保护、土地覆盖、精确农业、城区检测以及地理测绘等。基于这些优势，SAR影像已成为获取水陆分布信息的主要数据之一，基于SAR影像的水体提取是获取水体分布信息的关键步骤。
[0003]卫星获得的高分辨率大场景陆地覆盖SAR影像的语义分割面临着标记数据稀缺、不同成像参数(传感器、频带、极化、分辨率或入射角)导致的数据特征差异等难题。因此，如何充分利用已有标签数据进行迁移成为当下比较流行的一种解决办法。无监督域自适应能够克服不同SAR影像的差异，将知识从有标注的源域数据迁移到不同但相关的无标签目标域数据，这就解决了目标领域中训练样本有限的问题，提高模型泛化能力。
[0004]当处理在纹理、形状和特征方面表现出较大对象间差异的SAR影像时，深度卷积网络在不规则形状和复杂水陆边界结构的区域的分割并不理想，尤其是精细的水边界，例如河流分支等。所以，需要提高网络模型的水体特征提取能力，进一步关注不容易被提取的水体精细特征。
[0005]公开号为CN116310809A的专利申请公布了一种基于MFAFNet的多源SAR水体提取方法及系统；和公开号为CN115937707A的专利申请公布了一种基于多尺度残差注意力模型的SAR影像水体提取方法；这些都是通过改进深度网络结构来提升对水体的学习能力，达到提高水体提取精度以及对细支流的识别效果的目的；但这些都是有监督方法来进行水体提取，当数据集缺乏标签时，该网络训练的模型会过拟合于有标签的数据，而在无标签数据上分类效果变差，易造成误分，且在网络中的增加的多尺度模块也对支流的识别提升有限。

技术实现思路

[0006]为了克服上述现有技术的不足，本专利技术的目的在于提供基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质，为水体提取量身定制深度自注意力网络结构，提高水体提取精度和水体支流提取效果；采用在线自训练进行无监督域自适应，将有标签的源域学习到特征迁移到无标签的目标域上，解决训练样本不足以及训练与测试样本分布不一致的问题，提高模型泛化能力。
[0007]为了实现上述目的，本专利技术采取的技术方案为：
[0008]基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法，包括以下步骤：
[0009]步骤1：从存在域差异的高分辨率大场景SAR影像中，选取一张作为源域图像，另一张作为目标域图像，所述每张SAR影像包括水体区和非水体区，对源域图像和目标域图像分别标签，得到源域图像的对应标签以及目标域图像的对应标签，将源域图像和源域图像的对应标签以及目标域图像和目标域图像的对应标签均裁剪成尺寸为A*A的小图；
[0010]步骤2：构建深度自注意力网络；
[0011]步骤3：建立掩码增强模块，设置补丁大小和掩码比率，对步骤1中的目标域图像按照设置的特定补丁大小进行划分，按照掩码比率从均匀分布的补丁中随机采样进行屏蔽，获取包含局部信息的目标域掩码增强图像；
[0012]步骤4：使用无监督域自适应方法和步骤3建立的掩码增强模块对步骤2建立的深度自注意力网络进行在线自训练；
[0013]步骤5：重复步骤4达到最大训练次数，获得训练好的网络模型；
[0014]步骤6：将步骤1得到的目标域图像和目标域图像的对应标签送入步骤5训练好的网络模型进行水体提取，得到预测结果图，计算分类指标。
[0015]所述步骤2的具体方法包括：
[0016]步骤2.1：建立包含四个重叠补丁合并模块和多个混合自注意力机制结合的编码器E；
[0017]步骤2.2：建立包含多个具有不同扩张率的并行3
×
3深度可分离卷积和一个1
×
1卷积进行特征感知融合的解码器D；
[0018]步骤2.3：将步骤2.1建立的编码器E输出的每个特征使用双线性上采样进行特征对齐，并与步骤2.2建立的编码器D级联组成深度自注意力网络。
[0019]所述步骤4的具体方法为：
[0020]步骤4.1：自训练整体架构包括：教师网络学生网络f
θ
，两者网络结构为步骤2构建的深度自注意力网络模型，同时将步骤1中得到的裁剪好的源域图像、源域图像的对应标签、目标域图像和步骤3得到的目标域掩码增强图像输入学生网络f
θ
，进行前向传播，获得网络输出；
[0021]步骤4.2：通过损失函数梯度下降更新步骤4.1中的学生网络f
θ
的参数θ，损失函数包括：使用步骤1中的源域图像的对应标签计算源域图像的分割损失、对步骤1中的目标域图像进行无监督损失和掩码增强模块损失计算；
[0022]步骤4.3：将步骤4.2中学生网络f
θ
的参数θ使用指数移动平均方法做平均，计算获得教师网络的参数并设置教师网络
[0023]步骤4.4：使用步骤4.3中的教师网络为步骤1得到的目标域图像和步骤3得到的目标域掩码增强图像生成伪标签，对生成的伪标签进行置信度估计，置信度高的伪标签在步骤4.2中进行无监督损失计算，用于在目标域图像上额外训练学生网络f
θ
。
[0024]本专利技术还提供了基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取系统，包括：
[0025]数据处理模块：用于从存在域差异的高分辨率大场景SAR影像中，选取一张作为源域图像，另一张作为目标域图像，所述每张SAR影像包括水体区和非水体区，对源域图像和目标域图像分别标签，得到源域图像的对应标签以及目标域图像的对应标签，将源域图像和源域图像的对应标签以及目标域图像和目标域图像的对应标签均裁剪成尺寸为A*A的小
图；
[0026]网络构建模块：用于构建深度自注意力网络；
[0027]掩码增强构建模块：用于建立掩码增强模块，设置补丁大小和掩码比率，对目标域图像按照设置的特定补丁大小进行划分，按照掩码比率从均匀分布的补丁中随机采样进行屏蔽，获取包含局部信息的目标域掩码增强图像；
[0028]网络训练模块：用于使用无监督域自适应方法和掩码增强模块对深度自注意力网络进行在线自训练；
[0029]结果预测模块：用于将目标域图像和目标域图像的对应标签送入训练好的网络模型进行水体提取，得到预测结果图，计算分类指标。
[0030]本专利技术还提供了基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取设备，包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法，其特征在于：包括以下步骤：步骤1：从存在域差异的高分辨率大场景SAR影像中，选取一张作为源域图像，另一张作为目标域图像，所述每张SAR影像包括水体区和非水体区，对源域图像和目标域图像分别标签，得到源域图像的对应标签以及目标域图像的对应标签，将源域图像和源域图像的对应标签以及目标域图像和目标域图像的对应标签均裁剪成尺寸为A*A的小图；步骤2：构建深度自注意力网络；步骤3：建立掩码增强模块，设置补丁大小和掩码比率，对步骤1中的目标域图像按照设置的特定补丁大小进行划分，按照掩码比率从均匀分布的补丁中随机采样进行屏蔽，获取包含局部信息的目标域掩码增强图像；步骤4：使用无监督域自适应方法和步骤3建立的掩码增强模块对步骤2建立的深度自注意力网络进行在线自训练；步骤5：重复步骤4达到最大训练次数，获得训练好的网络模型；步骤6：将步骤1得到的目标域图像和目标域图像的对应标签送入步骤5训练好的网络模型进行水体提取，得到预测结果图，计算分类指标。2.根据权利要求1所述的基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法，其特征在于：所述步骤2的具体方法包括：步骤2.1：建立包含四个重叠补丁合并模块和多个混合自注意力机制结合的编码器E；步骤2.2：建立包含多个具有不同扩张率的并行3
×
3深度可分离卷积和一个1
×
1卷积进行特征感知融合的解码器D；步骤2.3：将步骤2.1建立的编码器E输出的每个特征使用双线性上采样进行特征对齐，并与步骤2.2建立的编码器D级联组成深度自注意力网络。3.根据权利要求1所述的基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法，其特征在于：所述步骤4的具体方法为：步骤4.1：自训练整体架构包括：教师网络g
φ
、学生网络f
θ
，两者网络结构为步骤2构建的深度自注意力网络模型，同时将步骤1中得到的裁剪好的源域图像、源域图像的对应标签、目标域图像和步骤3得到的目标域掩码增强图像输入学生网络f
θ
，进行前向传播，获得网络输出；步骤4.2：通过损失函数梯度下降更新步骤4.1中的学生网络f
θ
的参数θ，损失函数包括：使用步骤1中的源域图像的对应标签计算源域图像的分割损失、对步骤1中的...

【专利技术属性】
技术研发人员：陈亚涵，任仲乐，侯彪，王凯，罗星宇，任博，杨晨，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：