【技术实现步骤摘要】
本专利技术属于遥感图像处理，涉及一种深度网络模型自监督训练、土地利用变化检测方法及装置。
技术介绍
1、对城市土地利用状况进行监测，可以为城市规划、建设与管理提供数据支持，是实现城市可持续发展的重要保障。遥感技术凭借其宽覆盖、细粒度、高重访周期等优点，在土地利用监测中得到了广泛应用。深度学习是从遥感影像中提取土地利用信息的重要手段，然而，当前基于深度学习的土地利用监测依赖大量人工标注的样本，其获取成本较高，难以适应遥感影像获取的速度及土地利用变化的速度。自监督学习是近年来逐渐发展的一种新的机器学习范式，其主要利用数据自身的特性和结构，以从大量无标签数据中学习通用的特征表示，用于下游任务中，从而减少对人工标注的依赖。自监督学习已在遥感领域得到了初步的发展，然而，现有算法通常只考虑影像的视觉特征，忽视了多角度、多光谱、多尺度等遥感观测机理，使模型无法充分描述地表属性。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种深度网络模型自监督训练、土地利用变化检测方法及装置，提高土...
【技术保护点】
1.一种深度网络模型自监督训练方法，其特征在于，包括：
2.根据权利要求1所述的深度网络模型自监督训练方法，其特征在于，所述第一时相训练图像和第二时相训练图像为遥感影像；
3.根据权利要求1所述的深度网络模型自监督训练方法，其特征在于，所述第一时相训练图像和第二时相训练图像中每一个场景包括三个视角的图像，分别为前视图、正视图和后视图。
4.根据权利要求3所述的深度网络模型自监督训练方法，其特征在于，根据正样本对、负样本对以及多角度对比损失函数，对所述深度网络模型进行自监督训练，包括：
5.根据权利要求4所述的深度网络模型...
【技术特征摘要】
1.一种深度网络模型自监督训练方法，其特征在于，包括：
2.根据权利要求1所述的深度网络模型自监督训练方法，其特征在于，所述第一时相训练图像和第二时相训练图像为遥感影像；
3.根据权利要求1所述的深度网络模型自监督训练方法，其特征在于，所述第一时相训练图像和第二时相训练图像中每一个场景包括三个视角的图像，分别为前视图、正视图和后视图。
4.根据权利要求3所述的深度网络模型自监督训练方法，其特征在于，根据正样本对、负样本对以及多角度对比损失函数，对所述深度网络模型进行自监督训练，包括：
5.根据权利要求4所述的深...
【专利技术属性】
技术研发人员：聂可，聂冠瑞，涂理林，李家艺，黄昕，
申请(专利权)人：深圳市规划和自然资源数据管理中心深圳市空间地理信息中心，
类型：发明
国别省市：
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。