基于联合学习的半监督遥感影像变化检测方法和装置制造方法及图纸

本申请涉及一种基于联合学习的半监督遥感影像变化检测方法和装置

【技术实现步骤摘要】
基于联合学习的半监督遥感影像变化检测方法和装置


[0001]本申请涉及遥感影像变化检测
，特别是涉及一种基于联合学习的半监督遥感影像变化检测方法和装置
。

技术介绍

[0002]遥感影像变化检测
(Change Detection,CD)
任务旨在识别在不同时间获取的相同地区的遥感影像发生的变化
。
这里的变化一般指语义变化，如建筑物发生的变化
。
多年以来，遥感影像变化检测一直都是遥感领域的研究热点之一
。
随着遥感影像的数量不断增长以度学习技术的发展，利用遥感影像变化检测技术可以迅速获取我们所关注的区域的变化信息，包括自然地物的变化和人工建筑的变化，为政府
、
公司和组织的决策提供有力支持
。
迄今为止，遥感影像变化检测技术已经在生态系统监测
、
土地资源和土地利用制图
、
损害评估
、
城市扩张监测等领域得到广泛应用
。
[0003]目前，主流的
CD
算法是基于全监督深度学习方法，大多以卷积神经网络
(Convolutional Network,CNN)
为基础
。
然而使用基于全监督深度学习的遥感影像变化算法要求具有大量的标签双时相遥感影像对进行神经网络训练，标注这些标签需要耗费大量的人工和时间成本
。
如果使用无监督学习的方法训练模型，由于缺乏标签数据的引导，模型的变化检测精度往往较低，不足以支撑实际的变化检测应用
。
[0004]为了解决这一问题，近年来基于半监督学习
(Semi
‑
supervised Learning,SSL)
的
CD
方法越来越受到重视
。
半监督
CD
方法旨在利用少量标签数据和大量无标签数据训练模型使模型达到接近于利用大量标签数据训练的全监督算法的效果
。
利用少量有标签数据训练模型，可以引导模型理解任务，而庞大的无标签数据则能够有效防止模型在少量有标签数据上过拟合，从而提高模型的鲁棒性和泛化性
。
近年来，基于一致性正则化的半监督学习算法发展迅速
。
这种方法依赖于通过使网络对发生巨大畸变前后的遥感影像对做出一致性的变化检测预测，从而利用大量无标签遥感影像对模型进行一种自监督训练
。
再加上有少量的带有标签的遥感影像进行引导，达到少量标注标签实现较高精度变化检测的目的
。
这类方法的关键问题主要有两个，第一是如何利用好大量的无标签数据，将其引入到网络训练中，第二是如何利用好少量标签数据带有的信息，使其能发挥最大作用
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够在只具有少量单时相遥感影像及其建筑物提取标签
(
如十张
)
的情况下利用大量无标签数据提高
CD
精度的基于联合学习的半监督遥感影像变化检测方法和装置
。
[0006]一种基于联合学习的半监督遥感影像变化检测方法，所述方法包括：
[0007]获取单时相遥感影像和对应的建筑物提取标签，以及无标签双时相遥感影像对；
[0008]对单时相遥感影像和对应的建筑物提取标签进行预处理，得到伪双时相遥感影像对及对应的建筑物提取标签，对伪双时相遥感影像对的建筑物提取标签进行异或操作，得
到伪变化检测标签；
[0009]将伪双时相遥感影像对及对应的建筑物提取标签
、
以及伪变化检测标签输入预先构建的变化检测模型，根据变化检测模型中的特征提取网络
、
建筑物提取解码器以及变化检测解码器对伪双时相遥感影像对进行处理，输出得到有监督建筑物提取结果和有监督变化检测预测结果，根据有监督建筑物提取结果与伪双时相遥感影像对的建筑物提取标签进行计算，得到分割损失，根据有监督变化检测预测结果与伪变化检测标签进行计算，得到变化检测损失；
[0010]对无标签双时相遥感影像对依次进行翻转平移和数据扰动，得到翻转平移影像对和畸变影像对，将翻转平移影像对和畸变影像对输入变化检测模型进行处理，输出得到翻转平移影像对的建筑物提取结果
、
畸变影像对的建筑物提取结果
、
翻转平移影像对的变化检测预测结果以及畸变影像对的变化检测预测结果，根据翻转平移影像对的建筑物提取结果与畸变影像对的建筑物提取结果进行计算，得到一致性分割损失，根据翻转平移影像对的变化检测预测结果与畸变影像对的变化检测预测结果进行计算，得到一致性变化检测损失；
[0011]将分割损失
、
变化检测损失
、
一致性分割损失以及一致性变化检测损失进行相加，得到总损失，以总损失最小为目标函数，对变化检测模型的参数进行训练优化，直至得到训练好的变化检测模型；
[0012]将待检测的遥感影像对输入训练好的变化检测模型进行变化检测，输出得到变化检测结果
。
[0013]在其中一个实施例中，对单时相遥感影像和对应的建筑物提取标签进行预处理，得到伪双时相遥感影像对及对应的建筑物提取标签，对伪双时相遥感影像对的建筑物提取标签进行异或操作，得到伪变化检测标签，包括：
[0014]对单时相遥感影像
X
l
和对应的建筑物提取标签
Y
be
进行第一次随机抽样和翻转平移，得到第一次预处理后的单时相遥感影像
X
l1
及对应的建筑物提取标签
Y
be_1
；
[0015]对
X
l
和
Y
be
进行第二次随机抽样和翻转平移，得到第二次预处理后的单时相遥感影像
X
l2
及对应的建筑物提取标签
Y
be_2
；
[0016]将
X
l1
和
X
l2
进行配对，得到伪双时相遥感影像对，将
Y
be_1
和
Y
be_2
进行配对，得到伪双时相遥感影像对的建筑物提取标签，将配对后的
Y
be_1
和
Y
be_2
进行异或操作，得到伪变化检测标签
Y
cd
。
[0017]在其中一个实施例中，将伪双时相遥感影像对及对应的建筑物提取标签
、
以及伪变化检测标签输入预先构建的变化检测模型，根据变化检测模型中的特征提取网络
、
建筑物提取解码器以及变化检测解码器对伪双时相遥感影像对进行处理，输出得到有监督建筑物提取结果和有监督变化检测预测结果，包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于联合学习的半监督遥感影像变化检测方法，其特征在于，所述方法包括：获取单时相遥感影像和对应的建筑物提取标签，以及无标签双时相遥感影像对；对所述单时相遥感影像和对应的建筑物提取标签进行预处理，得到伪双时相遥感影像对及对应的建筑物提取标签，对所述伪双时相遥感影像对的建筑物提取标签进行异或操作，得到伪变化检测标签；将所述伪双时相遥感影像对及对应的建筑物提取标签
、
以及伪变化检测标签输入预先构建的变化检测模型，根据所述变化检测模型中的特征提取网络
、
建筑物提取解码器以及变化检测解码器对所述伪双时相遥感影像对进行处理，输出得到有监督建筑物提取结果和有监督变化检测预测结果，根据所述有监督建筑物提取结果与所述伪双时相遥感影像对的建筑物提取标签进行计算，得到分割损失，根据所述有监督变化检测预测结果与所述伪变化检测标签进行计算，得到变化检测损失；对所述无标签双时相遥感影像对依次进行翻转平移和数据扰动，得到翻转平移影像对和畸变影像对，将所述翻转平移影像对和畸变影像对输入所述变化检测模型进行处理，输出得到翻转平移影像对的建筑物提取结果
、
畸变影像对的建筑物提取结果
、
翻转平移影像对的变化检测预测结果以及畸变影像对的变化检测预测结果，根据所述翻转平移影像对的建筑物提取结果与所述畸变影像对的建筑物提取结果进行计算，得到一致性分割损失，根据所述翻转平移影像对的变化检测预测结果与所述畸变影像对的变化检测预测结果进行计算，得到一致性变化检测损失；将所述分割损失
、
变化检测损失
、
一致性分割损失以及一致性变化检测损失进行相加，得到总损失，以总损失最小为目标函数，对所述变化检测模型的参数进行训练优化，直至得到训练好的变化检测模型；将待检测的遥感影像对输入所述训练好的变化检测模型进行变化检测，输出得到变化检测结果
。2.
根据权利要求1所述的方法，其特征在于，对所述单时相遥感影像和对应的建筑物提取标签进行预处理，得到伪双时相遥感影像对及对应的建筑物提取标签，对所述伪双时相遥感影像对的建筑物提取标签进行异或操作，得到伪变化检测标签，包括：对单时相遥感影像
X
l
和对应的建筑物提取标签
Y
be
进行第一次随机抽样和翻转平移，得到第一次预处理后的单时相遥感影像
X
l1
及对应的建筑物提取标签
Y
be_1
；对所述
X
l
和
Y
be
进行第二次随机抽样和翻转平移，得到第二次预处理后的单时相遥感影像
X
l2
及对应的建筑物提取标签
Y
be_2
；将所述
X
l1
和
X
l2
进行配对，得到伪双时相遥感影像对，将所述
Y
be_1
和
Y
be_2
进行配对，得到伪双时相遥感影像对的建筑物提取标签，将配对后的所述
Y
be_1
和
Y
be_2
进行异或操作，得到伪变化检测标签
Y
cd
。3.
根据权利要求2所述的方法，其特征在于，将所述伪双时相遥感影像对及对应的建筑物提取标签
、
以及伪变化检测标签输入预先构建的变化检测模型，根据所述变化检测模型中的特征提取网络
、
建筑物提取解码器以及变化检测解码器对所述伪双时相遥感影像对进行处理，输出得到有监督建筑物提取结果和有监督变化检测预测结果，包括：将伪双时相遥感影像对中的
X
l1
和
X
l2
，伪双时相遥感影像对的建筑物提取标签中的
Y
be_1
和
Y
be_2
以及伪变化检测标签
Y
cd
输入所述变化检测模型；
根据所述变化检测模型中共享权值的第一特征提取网络和第二特征提取网络分别对所述
X
l1
和
X
l2
进行特征提取，得到第一类有监督特征提取结果和第二类有监督特征提取结果；将所述第一类有监督特征提取结果和第二类有监督特征提取结果输入所述建筑物提取解码器进行处理，得到第一类有监督建筑物提取结果和第二类有监督建筑物提取结果将所述第一类有监督特征提取结果和第二类有监督特征提取结果进行拼接，并将拼接后的有监督特征提取结果输入所述变化检测解码器进行处理，得到有监督变化检测预测结果
4.
根据权利要求3所述的方法，其特征在于，根据所述有监督建筑物提取结果与所述伪双时相遥感影像对的建筑物提取标签进行计算，得到分割损失，根据所述有监督变化检测预测结果与所述伪变化检测标签进行计算，得到变化检测损失，包括：根据第一类有监督建筑物提取结果与伪双时相遥感影像对的建筑物提取标签中的
Y
be_1
进行计算，得到第一类分割损失
L
seg1
，根据第二类有监督建筑物提取结果与伪双时相遥感影像对的建筑物提取标签中的
Y
be_2
进行计算，得到第二类分割损失
L
seg2
；根据有监督变化检测预测结果与伪变化检测标签
Y
cd
进行计算，得到变化检测损失
L
cd
。5.
根据权利要求1所述的方法，其特征在于，对所述无标签双时相遥感影像对依次进行翻转平移和数据扰动，得到翻转平移影像对和畸变影像对，包括：对无标签双时相遥感影像对
X
u
中的第一无标签双时相遥感影像
X
u1
和第二无标签双时相遥感影像
X
u2
进行相同的随机翻转平移，得到第一翻转平移影像
X
u1_aug
和第二翻转平移影像
X
u2_aug
，
X
u1_aug
和
X
u2_aug
构成翻转平移影像对；对所述
X
u1_aug
和
...

【专利技术属性】
技术研发人员：陈浩，孙承哲，李军，彭双，伍江江，杜春，李沛秦，陈荦，贾庆仁，马梦宇，杨飞，熊伟，钟志农，景宁，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：