【技术实现步骤摘要】
本专利技术属于遥感图像成像，具体涉及一种基于对比学习和多原型对齐的遥感图像无监督域适应方法及装置。
技术介绍
1、遥感技术的迅速进步显著增强了自动识别和分类地表类型的能力。语义分割，旨在将遥感图像分割成具有明确语义信息的区域，已经被广泛用于资源探索、变化检测、土地使用策略和灾害预警等多个域。虽然深度学习技术已实现重大进展，但其效果仍严重依赖于大规模、详细标注的数据集。然而，编制和标注这些数据集通常既费时又繁琐，尤其是在专业域中。因此，利用现有的标注数据集来训练目标数据集提供了一种可行的策略。然而，源自不同传感器、时期和地区的遥感数据展现出高度的变异性和复杂性。这种域间差异常常导致当神经网络仅用预标注数据集进行训练后，在实际目标数据集环境中应用效果降低。为应对这些挑战，无监督域适应(uda)方法利用现有的标注数据集和未标注的目标数据来促进网络对目标域的适应。目前，广泛应用的无监督域适应(uda)方法主要分为三类：风格迁移、对抗学习和自训练。
2、风格迁移方法利用神经网络合成在视觉上与目标域相似的源域图像，从而增强了在源域上训练...
【技术保护点】
1.一种基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，具体过程为：
2.根据权利要求1所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，
3.根据权利要求2所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，所述教师网络基于学生网络参数进行更新，更新方式为：
4.根据权利要求2所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，所述混合数构建过程为：随机选择YS中的一半类别，将这些类别区域设置为1，其他设置为0，形成一个掩码M，M与(XS,YS)按像素相乘，M求反记...
【技术特征摘要】
1.一种基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，具体过程为：
2.根据权利要求1所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，
3.根据权利要求2所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，所述教师网络基于学生网络参数进行更新，更新方式为：
4.根据权利要求2所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，所述混合数构建过程为：随机选择ys中的一半类别，将这些类别区域设置为1，其他设置为0，形成一个掩码m，m与(xs,ys)按像素相乘，m求反记作m′并与相乘，再分别求和结果获得。
5.根据权利要求2所述基于对比学习和多原型对齐的遥感图像无监督域适应方法，其特征在于，所述构建预测结果s(xmix)与伪...
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。