【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于迁移学习的半监督高分辨率遥感图像变化检测方法。
技术介绍
1、遥感图像变化检测在土地利用监测、城市规划、自然灾害监测等中应用广泛。随着深度学习技术在图像处理分析领域的深入，现有的遥感图像变化检测主要集中在全监督深度神经网络模型上，需要大量标注样本来支撑网络模型的训练过程。而不同领域的遥感图变化检测需求中所检测的变化地物存在一定差异，导致不同领域需要大量不同的标注样本。
2、随着遥感探测技术的飞速发展，遥感变化检测的应用中能够更容易获取大量未标记的遥感图像。由于现有的深度学习算法多依靠大量的标记数据进行训练，这需要花费大量的时间和算力成本。在某些任务中，标记数据可能非常稀缺，导致难以从头开始训练模型。然而，在其他相近任务中，已有大量标记数据，经过训练可以获得较优的模型。迁移学习在源域学习到的知识可以迁移到目标域中。利用深度学习的迁移学习，模型的权重参数无需从头开始训练，不仅可以显著减少训练时间，也可以降低标记数据的需求。
3、现有的迁移学习主要使用全监督-迁移学习过程，然而，...
【技术保护点】
1.一种基于迁移学习的半监督高分辨率遥感图像变化检测方法，包括全监督学习过程、无监督学习过程和迁移学习过程；其特征在于：
2.根据权利要求1所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：所述深度特征提取模块包括n个残差组，残差组1的输入为特征差异图，残差组j-1的输出作为残差组j的输入，j=2,…,n-1,n；将残差组1到残差组n的输出输入到全局特征融合模块，全局特征融合模块输出的结果与特征差异图相加得到深层特征提取模块的输出特征图。
3.根据权利要求2所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：所...
【技术特征摘要】
1.一种基于迁移学习的半监督高分辨率遥感图像变化检测方法，包括全监督学习过程、无监督学习过程和迁移学习过程；其特征在于：
2.根据权利要求1所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：所述深度特征提取模块包括n个残差组，残差组1的输入为特征差异图，残差组j-1的输出作为残差组j的输入，j=2,…,n-1,n；将残差组1到残差组n的输出输入到全局特征融合模块，全局特征融合模块输出的结果与特征差异图相加得到深层特征提取模块的输出特征图。
3.根据权利要求2所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：所述残差组由l个残差注意力模块和1个3×3卷积组成；首先，通过relu激活函数将残差注意力模块中的两个3×3卷积进行连接，其次，在残差组中嵌入了坐标注意力模块；将输入特征为，表示第k个残差组中第l-1个残差注意力模块的输出特征图，第k个残差组中第l个残差注意力模块的输出特征图为：
4.根据权利要求2所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：所述全局特征融合模块，输入特征首先通过一个1×1卷积操作处理，然后被送入通道混洗模块；通道混洗模块将特征图细分为4个子特征图，并对每个子特征图进行重新划分，以表示生成的子特征图，i，表示每个子特征图相对应的卷积处理，代表的输出；将子特征图与前一个卷积层的输出相加，然后将结果送入下一个卷积层进行处理。
5.根据权利要求1所述的基于迁移学习的半监督高分辨率遥感图像变化检测方法，其特征在于：无监督学习过程中，特征差异图经过深层特征提取模块后分成两条分支，第一条分支直接输出深层特征提取模块的输出特征图，经过解码器得到包含变化信息的预测变化图；第二条分支将深层特征提取模块的输出特征图经随机扰动处理得到np个扰动特征图,...,，扰动特征图分别经解码器得到np个包含变化信息的预测变...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。