一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115830597A(43)申请公布日2023.03.21(21)申请号202310014291.9G06N3/048(2023.01)(22)申请日2023.01.05G06N3/084(2023.01)(71)申请人安徽大学地址230039安徽省合肥市蜀山区肥西路3号安徽大学龙河校区互联网学院(72)发明人徐凯张飞翔王文昕(51)Int.Cl.G06V20/70(2022.01)G06V10/26(2022.01)G06V20/13(2022.01)G06V10/44(2022.01)G06V10/42(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06V10/764(2022.01)G06N3/0464(2023.01)权利要求书3页说明书7页附图3页(54)发明名称一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法(57)摘要本发明涉及一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，所述方法包括以下步骤：基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作、构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型、对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证。与现有技术相比通过构建从局部到全局的域自适应遥感影像语义分割网络，解决了超高分辨率遥感影像难以自适应的问题，并从局部语义特征差异到全局结构特征差异进行特征对齐，得到局部以及全局的特征表示，使超高分辨率遥感影像域自适应的语义分割精度得到提升。CN115830597ACN115830597A权利要求书1/3页1.一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，包括以下步骤：11）基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作：获取到源域遥感卫星影像以及目标域遥感卫星影像，对遥感影像数据进行裁剪，对标签影像进行裁剪并把像素值规划到类别数等预处理操作得到处理后的遥感影像以及标签；12）构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型：构建一个用于分类的卷积神经网络模型，一个用于域判别的全卷积的判别器网络模型；将预处理后的遥感影像数据以及标签数据输入网络模型中进行训练，得到训练好的基于伪标签生成的从局部到全局的域自适应网络模型；13）对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证：将未标记的目标域影像输入到训练好的基于伪标签生成的从局部到全局的域自适应网络模型中进行模型测试并得到目标域影像地物语义分割结果。2.根据权利要求1所述的一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，其特征在于，所述基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作包括以下步骤：21）读取原始Tif格式的源域以及目标域遥感影像；将影像进行不重叠裁剪到256×256像素的固定大小，将原始Tif格式的遥感影像导出成.jpg格式，对标签影像像素进行归一化，把像素值归一化到类别号；22）筛选去除标记有误的影像块。3.根据权利要求1所述的一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，其特征在于，所述构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型包括以下步骤：31）其中构建伪标签生成的从局部到全局的遥感影像语义分割域自适应模型的具体步骤如下：311）构建用于域判别的语义级域判别器，其域判别器结构包括一个Kernelsize为3，stride为1的卷积层，一个LeakyRelu层，一个线性激活单元；312）构建用于域判别的熵级域判别器，其域判别器结构包括一个Kernelsize为3，stride为2的卷积层，一个LeakyRelu层，一个线性激活单元；313）构建用于特征提取的下采样结构，其结构包括一个普通卷积层，一个实例归一化层，一个LeakyReLu线性激活单元，一个最大池化层；314）构建用于使用低层特征为高层特征补充细节信息的跳跃连接结构，其跳跃连接结构为拼接两个输入为一个输出；32）其中训练伪标签生成的从局部到全局的域自适应遥感影像语义分割模型的具体步骤如下：321）将预处理后的源域影像以及标签数据输入卷积神经网络中，训练一个有监督的源域分割模型；322）执行一次卷积核大小为1x1的普通卷积层，执行一次编码器结构，得到5个下采样输出；执行一个卷积核为3×3的普通卷积，一个实例归一化一个LeakyReLu，一个最大池化，2CN115830597A权利要求书2/3页得到第一个下采样输出；对第一个下采样输出执行一次3×3的普通卷积，一个实例归一化一个LeakyReLu，一个最大池化，得