[發明專利]一種基于特征自適應學習的遙感影像地物分割方法

在審

• 申請號: 202010043580.8
• 申請日: 2020-01-15
• 公開（公告）號: CN111242134A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 朱磊;王暢;吳謹;鄒才剛;王文武;向森;鄧慧萍;劉勁
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06K9/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于特征自適應學習的遙感影像地物分割方法，其特征在于，包括如下步驟：

步驟1，分別從成像設備獲取大小一致的南北方大棚的遙感圖片；

步驟2，對獲取的遙感圖片進行裁剪，將裁剪后的北方大棚遙感圖片作為源集，裁剪后的南方大棚遙感圖片作為目標集，并對兩個數據集進行數據清理，去掉錯誤的數據；

步驟3，構建網絡框架，該網絡框架包括生成器網絡和判別器網絡兩個部分，其中，選取Unet做生成器網絡G中的分割網絡，判別器網絡D由5個卷積層構成；

步驟4，訓練生成器網絡G，設帶有人工標注的源域圖像為I_s，源域圖像的人工標注為Y_s，P_s＝G(I_s)是源域圖像的分割輸出，通過生成器網絡G后得到的結果與人工標注之間的分割損失用交叉熵形式表示為：

設沒有人工標注的目標域圖像為I_t，P_t＝G(I_t)是目標域圖像的分割輸出，其對抗損失用Logistic形式表示為：

生成器網絡的目標是針對源域和目標域盡量生成準確的分割結果去欺騙判別器網絡D，使其無法區分分割結果來自哪一個域，因此目的是最小化總的學習損失L(I_s,I_t)；

步驟5，訓練判別器網絡D，將源域分割輸出P_s和目標域分割輸出P_t兩個分割結果經過sigmoid函數歸一化處理后，輸入判別器網絡D中，按照如下方式計算交叉熵損失L_d：

將源域影像的分割輸出和目標域影像的分割輸出加入判別網絡中，利用源域和目標域的分割結果計算判別器的損失來監督判別器網絡，在訓練判別器網絡的過程中，目的是最大化L_d，幫助訓練生成器來盡可能的去學習好的分離源域和目標域；

步驟6，聯合生成器網絡G和判別器網絡D，每次迭代中單獨交替對于生成器G和判別器D兩個網絡進行訓練；

結合公式(1)和公式(2)，在生成器訓練過程中總的學習損失如下：

L(I_s,I_t)＝I_seg(I_s)+λ_advL_adv(I_t) (4)

其中，λ_adv是用于平衡這兩個損失的權重；

生成器網絡G和判別器網絡D在訓練過程中構成了一個動態的博弈過程，按照的形式優化生成器網絡G和判別器網絡D中的參數；

步驟7，選取制作好的目標集圖片輸入到訓練好的網絡框架中進行測試。

2.如權利要求1所述的一種基于特征自適應學習的遙感影像地物分割方法，其特征在于：步驟2中按照512×512大小對獲取的遙感圖像進行裁剪，裁剪方式為采用10％的重合比例的滑窗操作。

3.如權利要求1所述的一種基于特征自適應學習的遙感影像地物分割方法，其特征在于：步驟3中5個卷積層的卷積核均是4×4，步幅是2，通道數量分別是64,128,256,512,1。