基于空间分辨率域自适应的无监督遥感图像语义分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850813A(43)申请公布日2021.12.28(21)申请号202111086003.8(22)申请日2021.09.16(71)申请人太原理工大学地址030024山西省太原市万柏林区迎泽西大街79号(72)发明人郭学俊彭赞王功帅杨(74)专利代理机构太原市科瑞达专利代理有限公司14101代理人李富元(51)Int.Cl.G06T7/10(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书10页附图6页(54)发明名称基于空间分辨率域自适应的无监督遥感图像语义分割方法(57)摘要本发明涉及基于空间分辨率域自适应的无监督遥感图像语义分割领域，基于空间分辨率域自适应的无监督遥感图像语义分割方法包括如下步骤：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，分为：图像语义分割训练集和图像语义分割测试集；搭建基于对抗学习的超分辨率‑语义分割多任务网络；搭建好的基于对抗学习的超分辨率网络进行网络预训练；训练基于对抗学习的超分辨率‑语义分割多任务网络；将图像语义分割测试集输入已训练好的基于对抗学习的超分辨率‑语义分割多任务网络生成器得到最终预测结果。CN113850813ACN113850813A权利要求书1/4页1.一种基于空间域自适应的无监督遥感图像语义分割方法，其特征在于：包括如下步骤：步骤一：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，对源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集进行预处理，将获取的目标域高分辨率遥感图像数据集分为：目标域训练集Mx和目标域测试集Mc两部分；由源域低分辨率遥感图像数据集和目标域训练集Mx构成图像语义分割训练集Fx，由目标域测试集Mc构成图像语义分割测试集Fc；步骤二：搭建基于对抗学习的超分辨率‑语义分割多任务网络GANsr‑seg，所述基于对抗学习的超分辨率‑语义分割多任务网络GANsr‑seg由特征编码模块、上采样模块、像素级域判别模块、特征解码模块、输出空间域判别模块组成；特征编码模块、上采样模块和像素级域判别模块构成基于对抗学习的超分辨率网络GANsr，其中特征编码模块和上采样模块构成基于对抗学习的超分辨率网络GANsr中的生成器Gsr；像素级域判别模块构成基于对抗学习的超分辨率网络GANsr中的判别器Dsr；特征解码模块通过金字塔特征聚合结构接收来自特征编码模块和上采样模块的低级特征信息，实现语义预测功能；特征编码模块、上采样模块和特征解码模块构成基于对抗学习的超分辨率‑语义分割多任务网络GANsr‑seg的生成器Gsr‑seg；像素级域判别模块和输出空间域判别模块组成基于对抗学习的超分辨率‑语义分割多任务网络GANsr‑seg的判别器Dsr‑seg；步骤三：对步骤二中搭建好的基于对抗学习的超分辨率网络GANsr进行预训练；步骤四：训练基于对抗学习的超分辨率‑语义分割多任务网络GANsr‑seg；步骤五：将图像语义分割测试集Fc数据输入到步骤四中已经训练好的基于对抗学习的超分辨率‑语义分割多任务网络中GANsr‑seg的生成器模型Gsr‑seg，输出图像语义分割测试集的分割结果。2.根据权利要求1所述的基于空间分辨率域自适应的无监督遥感图像语义分割方法，其特征在于：所述步骤一中对源域低分辨率遥感图像数据集和目标域高分辨率遥感图像集数据集进行的预处理具体包括图像裁剪和图像采样；所述图像裁剪将目标高分辨率遥感图像的尺寸裁剪为源域低分辨率遥感图像尺寸的r倍，r是尺度因子(即源域低分辨率遥感图像和目标域高分辨率遥感图像对应空间分辨率的倍数)；所述图像采样将目标域训练集中的高分辨率遥感图像进行下采样至空间分辨率与源域低分辨率遥感图像相同，将源域低分辨率遥感图像数据集进行上采样至空间分辨率与目标域高分辨率遥感图像相同。3.根据权利要求1所述的基于空间分辨率域自适应的无监督遥感图像语义分割方法，其特征在于：所述步骤二中的特征编码模块依次由三个低层特征提取单元、一个最大池化层、一个残差连接模块和两个多尺度特征提取单元组成，其中低层特征提取单元由一个卷积层和一个LeakyReLU激活函数层构成，多尺度特征提取单元由一个残差空洞空间卷积池化金字塔模块和一个残差连接模块组成；2CN113850813A权利要求书2/4页所述步骤二中的上采样模块由一个反卷积层、一个元上采样模块和一个卷积核大小为9×9、填充率为4的卷积层组成，其中反卷积层负责恢复特征编码过程中的空间分辨率损失，元上采样模块用于超分辨率；所述步骤二中的特征解码模块有两个特征解码解码单元和一个卷积核大小为9×9、填充率为4的卷积层组成，其中特征解码解码单元由一个双线性插