基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049841A(43)申请公布日2022.09.13(21)申请号202210664345.1G06N3/04(2006.01)(22)申请日2022.06.14G06N3/08(2006.01)(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人张雨任仲乐侯彪焦李成韩祥永张锐苏海波李永强(74)专利代理机构西安智大知识产权代理事务所61215专利代理师贺建斌(51)Int.Cl.G06V10/40(2022.01)G06V10/26(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06V10/20(2022.01)权利要求书4页说明书11页附图4页(54)发明名称基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法(57)摘要基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法，首先利用图像变换模型将源域图像转化为目标域图像相近的风格，从而减小源域和目标域的分布差异；再将风格转换过的源域图像和未标记的目标域图像送入对抗自适应网络，一方面训练深层网络学习源域和目标域的特征并进行语义分割，另一方面训练判别器区分其输入来自源域还是目标域，反馈引导深层网络对齐源域和目标域的分布特征；最后用训练好的模型预测目标域大场景的地物类型，完成单极化高分辨SAR影像像素级地物要素提取；本发明突破标记样本不足及源域数据与目标域数据分布不一致致使模型推广性差的瓶颈，提高目标域SAR图像地物分类的精度和性能。CN115049841ACN115049841A权利要求书1/4页1.一种基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法，其特征在于：借助风格迁移上游任务，将源域图像翻译为目标域的风格，拉近源域和目标域的分布；并将翻译的源域以及未标记的目标域数据送入对抗自适应网络，训练特征提取器提取源域和目标域的特征并进行分类，训练域判别网络来区分特征提取器的输出是来自源域还是目标域，同时鼓励特征提取器对齐目标域和源域的输出分布。2.根据权利要求1所述的一种基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法，其特征在于，包括以下步骤：S1、对源域图像、目标域图像进行数据预处理，包括SAR图像16位转8位、截断、裁剪、划分，数据格式转换；S2、将预处理后的源域图像S和目标域图像T送入图像翻译网络进行风格迁移，获得翻译源数据S′；S3、初始化下游任务的分割网络M及其优化器SGD和域判别网络D及其优化器Adam；通过训练域判别网络D来区分特征提取器的输出是来自源域还是目标域，同时鼓励特征提取器对齐目标域图像和源域图像的输出分布，帮助特征提取器学习域不变特征；S4、将翻译源数据S′及对应标签Ys以及目标域图像T送入分割网络M，得到分割输出M(S)和M(T)，并使用对应标签YS计算源域的分割损失；S5、将分割网络M对目标域的输出M(T)输入域判别网络D，计算其对抗损失并乘以相应系数加入目标域分割损失中更新分割网络M及其优化器SGD；S6、将分割网络输出M(S)和M(T)分别送入域判别网络D计算域分类损失，并更新域判别网络D及其优化器Adam；S7、重复S4到S6直至达到最大训练次数，获得分割网络M的模型参数；S8、将目标域数据送入训练好的分割网络M进行分类，然后使用TTA测试或训练CRF进行标签优化，得到像素级分类结果，给每个类别赋上颜色生成RGB预测结果图，与真实类标进行比较，并计算每个类别的评估指标Precision、Recall、F1ccore，以及整体评估指标OA、kappa、MIoU、FWIoU。3.根据权利要求2所述的方法，其特征在于，所述的S1具体为：(1a)存储转换加截断：对图像进行截断/对比度拉伸，丢掉出现概率小的灰度级，保留出现概率大的灰度级范围；统计16位SAR图像的灰度级分布，并按照灰度值的大小，统计其出现的频率，并通过累积分布函数计算出当前分布累积到阈值(Threshold)时，舍去剩余像素，将超过该阈值灰度级的像素全部置为当前阈值的灰度级，并除以阈值乘以255转为8位SAR数据存储；线性拉伸公式为：其中，gray表示灰度级；minin，maxin分别表示输入格式中截断处的最小灰度级和最大灰度级；minout，maxout分别表示输出格式灰度级的最小值和最大值；针对SAR数据，Threshold设为95％，minin设为零；(1b)采用膨胀采样的方式对测试数据进行重采样，并在拼接时忽略边缘预测；实际裁剪图像预测的结果尺寸为A*A，进行拼接的结果为中心的a*a，a*a占A*A的区域百分比为r，2CN115049841A权利要求书2/4页相邻裁剪图像的