一种遥感图像泛化小样本分割方法技术

一种遥感图像泛化小样本分割方法，通过增加任务数据集标记样本的多样性和难分性以提升模型的泛化能力，同时从扩充后的数据中选择占比小的类别去覆盖辅助数据集中的图像，解决任务数据集类别不均衡的问题。通过最小化两个域的基类数据的域损失，学习数据的域无关特征，提升模型的迁移能力。最后，利用图来建模图像内及图像间区域即超像素之间的关系，综合样本特征及数据的内蕴结构特征，利用图上的标签传播预测未标记样本的标签，更多信息的挖掘和利用不仅提升分割精度，图上的标签传播还直接实现了多类分类。本发明专利技术与现有方法相比，在平均交并比、平均F1分数和总体精度这三个指标上都获得了显著提升。

【技术实现步骤摘要】

本专利技术属于计算机视觉与深度学习，具体涉及一种基于深度学习的遥感图像泛化小样本分割方法。

技术介绍

1、随着遥感技术的快速发展，人们获得的遥感图像数据量显著增加，大量遥感图像中蕴含的信息亟待充分挖掘和利用。遥感图像分割是提取信息的重要手段之一，其目的是通过赋予图像每个像素一个标签来获取具有语义信息的区域划分。遥感图像分割被广泛应用于土地规划、环境保护、灾害监测等领域。目前遥感图像分割的主流方法都基于深度学习。监督的深度学习网络需要大量带标签的训练样本，而获取足够多的训练样本耗时费力。与计算机相比，人类通常能够利用先验知识，只通过几个甚至一个标记样本快速识别新事物。使机器像人类一样，利用现有信息和极少的标注样本快速分割图像是小样本分割的目标。

2、由于现有小样本分割方法都假定任务数据集和辅助数据集的类别集合完全不同，而现实常常会遇到两者类别有重合的情况。

3、现有的泛化小样本分割(gfss)方法大都没有考虑类别占比不均衡的问题，有个别文献对此提出了解决方案，在2023年的cvpr会议上被发表的一篇关于使用正交原型进行广义少样本语义分本文档来自技高网...

【技术保护点】

1.一种遥感图像泛化小样本分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤1中通过沿损失函数梯度上升的方法生成更多样且难分的增强样本，用下式表示：

3.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤A2中自注意力机制按照下式更新超像素的特征；

4.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤2中域无关特征学习模块由输入层、依次相连的第一全连接层、第二全连接层、第三层全连接层、非线性激活层、加法器、输出层组成，输入层用于接收超像素更新后的特征，输入层有两...

【技术特征摘要】

1.一种遥感图像泛化小样本分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤1中通过沿损失函数梯度上升的方法生成更多样且难分的增强样本，用下式表示：

3.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤a2中自注意力机制按照下式更新超像素的特征；

4.根据权利要求1所述遥感图像泛化小样本分割方法，其特征在于，所述步骤2中域无关特征学习模块由输入层、依次相连的第一全连接层、第二全连接层、第三层全连接层、非线性激活层、加法器、输出层组成，输入层用于接收超像素更新后的特征，输入层有两个输出端，一输出端与加法器相连，另一输出端与第一全连接层相连，所述非线性激活层为relu激活层。

5.根据权利要...

【专利技术属性】
技术研发人员：汪西莉，陈杰虎，洪灵，马君亮，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：