一种基于深度卷积对抗域对齐的林火烟雾图像识别方法技术

本发明专利技术涉及森林火灾烟雾检测技术领域，特别是指一种基于深度卷积对抗域对齐的林火烟雾图像识别方法，包括，预先构建联合对抗学习及域对齐特征网络；获取林火烟雾图像数据，根据所述林火烟雾图像数据构建林火烟雾图像数据集；用联合对抗学习及域对齐特征网络中的特征提取网络对所述林火烟雾图像数据集进行特征提取，将提取后的特征同时被送入联合对抗学习及域对齐特征网络中的标签分类器进行图像分类和对抗特征自适应网络进行域判别；最后，对分类损失和域判别损失进行高效的联合优化

【技术实现步骤摘要】
一种基于深度卷积对抗域对齐的林火烟雾图像识别方法


[0001]本专利技术涉及森林火灾烟雾检测
，特别是指一种基于深度卷积对抗域对齐的林火烟雾图像识别方法
。

技术介绍

[0002]森林火灾是一种突发性
、
毁灭性的灾害，对人类的生命
、
财产
、
生态造成了严重的危害，所以，在森林火灾早期发现和早期预警是保护森林资源和减少灾害损失的关键，传统基于图像的火灾烟雾检测方法依赖于先验知识手工提取烟雾的浅层特征，并将一种至多种特征送入有监督分类器训练，这种方法适合于在特定环境下进行火灾烟雾探测，但当试验场景变化时，其性能将受到影响，现有基于深度神经网络的火灾烟雾检测方法能够自动提取深层及抽象的烟雾特征，实现端到端的自动检测，有研究者为提取更具有辨别性的烟雾特征，将传统方法与深度学习方法相结合，既能够提取浅层烟雾特征也能够提取深层烟雾特征，不同尺度融合的烟雾特征更具有辨别性，在确保低误报率的前提下，提高火灾烟雾检测的准确率，尽管深度神经网络能够从大量有标记的输入数据中学习强大的表示，但是它们不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度卷积对抗域对齐的林火烟雾图像识别方法，其特征在于，包括，步骤
S1
，预先构建联合对抗学习及域对齐特征网络；步骤
S2
，获取林火烟雾图像数据，根据所述林火烟雾图像数据建立林火烟雾图像数据集；步骤
S3
，采用预先构建的联合对抗学习及域对齐特征网络中的特征提取网络对所述烟雾图像数据集进行特征提取；步骤
S4
，将提取后的特征同时被送入所述联合对抗学习及域对齐特征网络中的标签预测器
Gi
进行图像分类和对抗特征自适应网络
Gd
进行域判别；步骤
S5
，对分类损失和域对齐损失进行高效的联合优化
。
其中，所述步骤
S1
中，所述联合对抗学习及域对齐特征网络包括特征提取网络
、
标签预测器
Gi
以及对抗特征自适应网络
Gd。2.
根据权利要求1所述的基于深度卷积对抗域对齐的林火烟雾图像识别方法，其特征在于，在所述步骤
S2
中，对所述烟雾图像数据集进行算法评估实验，所述烟雾图像数据集包括，自建的森林火灾烟雾数据集和公开的森林火灾烟雾数据集，所述自建的森林火灾烟雾数据集包括，
FF_Smoke
数据集和
EWS_Smoke
数据集，所述公开的森林火灾烟雾数据集包括，江西财经大学数据集和卫星火灾烟雾数据集，所述卫星火灾烟雾数据集的图像均来源于中分辨率成像光谱仪数据，并对其进行分类，包括，烟雾图像
、
云图像
、
尘埃图像
、
阴霾
、
土地图像和海滩图像，将所述各图像进行选取，包括，训练集
、
验证集和测试集
。3.
根据权利要求1所述的基于深度卷积对抗域对齐的林火烟雾图像识别方法，其特征在于，采用所述标签预测器
Gi
对所述烟雾图像数据集进行标签预测，具体为：利用域对齐将深度神经网络中的层激活的相关性进行对齐，并利用所提出的域对齐对对齐层进行深度域调整，其中，所述标签预测器
Gi
定义了一个单一特征层的两个域之间的域对齐损失，将源域训练样本进行编号，包括，第一训练样本为
x1,
第二训练样本为
x2
，
……
，第
n
训练样本为
xn,
将源域标签样本进行编号，包括，第一标签样本为
y1,
第二标签样本为
y2
，
……
，第
n
标签样本为
yn
，将未标记的目标样本进行编号，包括，第一目标样本为
U1
，第二目标样本为
U2
，
……
，第
n
目标样本为
Un。4.
根据权利要求3所述的基于深度卷积对抗域对齐的林火烟雾图像识别方法，其特征在于，所述特征提取网络以原始
RGB
图像为所述源域训练样本
xj,
特征提取网络的输出为
Gf(xj
，
θ
f)
，其中
θ
f
表示学习参数，计算源域样本的特征表示和目标域样本的特征表示，其中，所述源域样本的特征表示为
S(G
f
)
＝
{G
f
(x
j
,
θ
f
)|x
j
∈D
S
}
，所述目标域样本的特征表示为
T(G
f
)
＝
{G

【专利技术属性】
技术研发人员：张军国，赵雨诺，张长春，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：