基于对比学习的遥感图像跨域仿真转译方法与装置制造方法及图纸

本申请公开了基于对比学习的遥感图像跨域仿真转译方法、装置、介质及设备。该方法包括：获取源待转译图像与目标待转译图像；将源待转译图像与目标待转译图像输入到图像转译模型中；其中，图像转译模型包括生成器与判别器，生成器包括编码器与解码器；将源待转译图像与目标待转译图像输入到编码器中，分别得到源编码特征与目标编码特征；将其输入到解码器中，分别得到源伪样本图像与目标伪样本图像；将源伪样本图像输入到鉴别器中进行鉴别；其中，图像转译模型是基于内容对比损失函数、风格对比损失函数以及基于源伪样本图像与目标伪样本图像构建的对抗损失函数进行训练得到的。本申请能够避免出现图像过度风格化而导致图像细节失真的问题。

【技术实现步骤摘要】

本申请涉及遥感图像处理，尤其涉及一种基于对比学习的遥感图像跨域仿真转译方法、装置、存储介质及电子设备。

技术介绍

1、深度学习（deep learning）在航空遥感图像解译领域的应用日益广泛，其通过大规模数据集和复杂的网络结构，已取得了令人瞩目的研究成果。然而，在实际应用中，遥感图像受到传感器类型、波段差异、地理位置和季节变化等多种因素的影响，呈现出显著的非均质性。这种非均质性导致了同一物体在不同光谱条件下的表现差异，以及不同材料在相同光谱下的相似表现，给依赖数据学习的模型带来了巨大挑战。

2、由于目标图像光谱分布的变化，已训练的模型性能往往会出现显著退化。特别是在波段或传感器发生显著变化时，通常需要重新训练模型以适应新的数据分布。然而，匹配目标域的可训练数据集极为稀缺，特别是在处理小区域或特定应用场景时，这种数据不足的问题更加突出。此外，尽管现有的公开标记数据集为航空图像解释提供了宝贵资源，但对其的利用和探索尚不够全面和深入。现有的方法往往只关注数据集的局部特征或特定任务，而忽视了数据集之间的关联性和互补性。这限制了模型在跨域适应和泛化能力本文档来自技高网...

【技术保护点】

1.一种基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述图像转译模型还包括内容投影网络，所述方法还包括：

3.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述图像转译模型还包括风格投影网络，所述方法还包括：

4.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述语义分割模型与所述图像转译模型的联合...

【技术特征摘要】

1.一种基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述图像转译模型还包括内容投影网络，所述方法还包括：

3.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述图像转译模型还包括风格投影网络，所述方法还包括：

4.根据权利要求1所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述语义分割模型与所述图像转译模型的联合训练过程包括：

6.根据权利要求2所述的基于对比学习的遥感图像跨域仿真转译方法，其特征在于，所述基于所述第...

【专利技术属性】
技术研发人员：高智，李紫瑶，陈泊安，朱军，王超，李衍璋，石志城，
申请(专利权)人：武汉大学，
类型：发明
国别省市：