一种基于半监督交互学习的农田遥感图像分割方法技术

本发明专利技术适用于农业影像分析技术领域，具体提供了一种基于半监督交互学习的农田遥感图像分割方法，本发明专利技术设计了一种半监督交互学习的农田遥感图像分割方法，首先通过交互学习，

【技术实现步骤摘要】
一种基于半监督交互学习的农田遥感图像分割方法


[0001]本专利技术属于农业影像分析
，尤其涉及一种基于半监督交互学习的农田遥感图像分割方法
。

技术介绍

[0002]农田遥感图像分割是一项重要的任务，其目的是对农田遥感图像进行像素级别的分类，以便提高农业土地生产和管理的效率
。
[0003]传统的基于深度学习的农田遥感图像分割方法通常需要大量标注数据进行训练，但是标注数据的获取成本高昂，且在实际应用中往往难以满足需求
。
因此，半监督学习成为解决这一问题的有效方法之一
。
[0004]目前，半监督学习方法使用少量的标记数据和大量的未标记数据进行训练，以提高模型的性能
。
此外，由于参数数量庞大，很容易出现过拟合的情况，即模型在训练集上表现良好，但在测试集上表现较差
。
因此，农田遥感图像分割模型的泛化能力是应用于实际场景时需要考虑的一个重要问题
。
[0005]现有的提升半监督农业图像分割算法泛化能力与鲁棒性的框架可以分为两大类：基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于半监督交互学习的农田遥感图像分割方法，其特征在于，所述的农田遥感图像分割方法包括如下步骤：步骤
S10
：划分有标签的
M
个输入图像和无标签的
N
个图像；步骤
S20
：使用有标签的图像数据分别训练
CNN
和
Transformer
；步骤
S30
：对无标签的图像进行高斯滤波和亮度调整的弱增强处理，在同一图像中随机裁剪出具有重叠区域的两张新图像，，同时把无标签图像的像素投影到
CNN
的编码器和解码器之间，引入方向性对比损失函数，保证图片中具有相同身份特征在不同场景下的一致性，利用
Transformer
预测结果作为伪标签计算上下文感知一致性损失；利用
CNN
预测结果作为
Transformer
预测结果的伪标签计算一致性正则化损失；步骤
S40
：由训练好的
CNN
模型作为主干网络，对测试集图像进行分割，并评估结果的准确性
。2.
根据权利要求1所述的基于半监督交互学习的农田遥感图像分割方法，其特征在于，对无标签的图像进行高斯滤波和亮度调整的弱增强处理，在同一图像中随机裁剪出具有重叠区域的两张新图像的步骤包括：步骤
S31
：应用高斯滤波来减少无标签图像中的噪声和细节，对每个像素周围的邻域进行加权平均；对于每个像素（
x,y)
，使用大小为
k
的高斯核进行滤波，滤波后的像素值为：
ꢀꢀꢀꢀꢀ
（1）其中，是邻域内的像素值，是高斯核的权重值；最后调整图像亮度；步骤
S32
：对于给定的弱增强后的无标签图像，随机选择一个裁剪窗口的大小和位置；将该裁剪窗口分别向上和向左移动一定的距离，得到两个具有重叠区域的新图像
、
来训练模型；步骤
S33
：使用双三次插值算法将所有图像都缩放成尺寸为的图像，并使用双线插值算法将对应标签缩放成相同尺寸，使得输入图像符合
DeepLab v3+
网络的输入规格
。3.
根据权利要求2所述的基于半监督交互学习的农田遥感图像分割方法，其特征在于，所述有标签图像数据的训练过程包括：使用有标签图像编码矩阵及标签分别训练
CNN
和
Transformer
两大骨干网络模型，并计算与真实标签的损失函数
。4.
根据权利要求3所述的基于半监督交互学习的农田遥感图像分割方法，其特征在于，计算与真实标签的损失函数的步骤包括：将有标签的数据输入
CNN
得到每个像素点对应的预测概率，输入
Transformer
得到预测概率，计算与对应真实值之间的损失函数；
所述计算与对应真实值之间的损失函数的过程如下：与真实标签做对比，
CNN
部分的损失函数，如公式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
Transformer
部分的损失函数如公式（3）所示：
ꢀꢀꢀꢀꢀ
（3）其中代表
ReLU
激活函数，代表
Focal Loss
，表达式如公式（4）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中和为超参数，这里设置为
=0.25,=2
；监督学习模型总的损失计算如公式（5）所示：
ꢀꢀꢀꢀꢀꢀ
（5）其中当为真实标签时，
=1
，反之
=0
；是范围在0到1之间实数，表示图像属于标签中所标注类别的概率
。5.
根据权利要求4所述的基于半监督交互学习的农田遥感图像分割方法，其特征在于，所述无标签图像数据的训练过程包括：通过输入随机裁剪的两组...

【专利技术属性】
技术研发人员：文思鉴，王永梅，王芃力，张友华，吴雷，吴海涛，轩亚恒，郑雪瑞，张世豪，潘海瑞，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：