一种基于类感知域适应的无监督地表覆盖分类方法
文献发布时间：2024-04-18 20:01:23
技术领域
本发明提供了一种用于高分辨率光学遥感影像的无监督域适应地表覆盖分类模型，其涉及陆地测绘、环境遥感、资源调查等领域，属于模型算法开发领域。
背景技术
随着计算机处理和存储能力的快速提高以及人工智能的发展，传统的人工设计特征方法逐渐提升为自动学习的特征提取方法，在地表覆盖制图等遥感领域产生了深远的影响并取得了优异的分类性能。这些语义分割模型主要从训练样本中学习知识，然后以有监督的方式对测试数据进行分类，包括自动编解码器、多级体系结构、多尺度结构、注意机制等。然而深监督模型十分依赖于标签数据，当光学遥感影像受到一些不可抗拒的因素影响时，例如采集时间、光照条件、传感器类型等，从特定区域或其他不同区域获取的数据集之间容易发生显著的数据偏移。在这种情况下，当源域数据上经过良好训练的分割模型推广到具有不同条件的其他场景(目标域)时，模型的性能将面临严重下降。
为解决目标域数据标签缺乏问题，域适应方法相继被提出，其本质是通过学习域不变特征来匹配不同的数据空间，从而使从标记的源数据学习的模型可以通过无监督的方式推广到无任何参考注释的目标域数据。传统的域适应方法，例如一阶矩和二阶矩，寻求最小化源分布和目标分布之间距离的一些度量值，但在像素级分割任务中表现不佳。鉴于学习抽象特征表示的能力，深度学习技术逐渐扩展到域适应研究，其中最大平均偏差和对抗性学习作为主要的两个分支。前者通常利用特征分布的一些统计信息(如均值或协方差)来匹配不同的域，但当分布不符合高斯规则时，其效果会很差，而基于对抗的方法能够通过生成虚假特征或者样本欺骗判别器来减少域偏移，并在图像处理中变得流行。
在无监督域适应地表覆盖分类任务中，生成对抗学习方法主要集中在三个表示层面，包括特征级、像素级以及类别级。这些相关方法通常利用简陋的二值化判别器执行全局对抗域适应，而忽略了目标域的潜在类别信息。另一方面，高分辨率遥感影像中存在显著的低类间方差，通常会导致密集预测的负面影响。在执行域适应过程中，这些不利影响将尤为严重。
因此，在深入调查和理解地表覆盖类型特征的基础上，合理引入顾及目标域潜在类别信息的深度学习驱动的无监督地表覆盖分类模型具有重要应用价值。
发明内容
本发明提出了一种基于深度学习和类感知域适应的地表覆盖分类方法。该分类算法能够对高分辨率光学遥感影像中蕴含的潜在类别信息进行提取和利用。该方法首先通过统计源域和目标域的原始遥感影像RGB波段上的统计分布特点，进行归一化处理，其次根据输入影像尺寸设计强基线网络，提取类别相关的高级语义特征，然后在特征空间和输出空间集成类别级判别器和二值化判别器，分别执行局部和全局对抗域适应。
为达到上述目标，本发明具体步骤如下所示：
1):用于域适应地表覆盖分类模型训练的数据由标记的源域数据集和无监督的目标域数据集构成。源域数据集包括原始遥感影像和地面真值，并通过滑动窗口将其裁剪为许多小块：
其中，x、y分别为遥感影像和对应的地面真值，h和w分别为输入的高和宽，c为地表覆盖类别数目，n为训练样本数目。
作为模型输入的目标域数据集，仅包含裁剪后的遥感影像块：
2):以n
x
其中，x
3):根据上述输入影像数据的尺寸大小，构建卷积核大小为7×7的卷积运算进行初次下采样操作:
f(x
其中，x
4):在上述输出特征的基础上构建预训练的残差网络来提取源域或目标域数据的有效语义特征。该基线网络由多个结构相同的残差块作为特征提取路径进行网络推理，每个残差块可表示为：
H＝R(F(x))+F(x)(5)
其中，F(x)为残差块的输入特征，R(.)和H分别为叠加非线性卷积运算和映射输出特征。
5):根据基线网络可以得到的源域和目标域高级语义特征F
首先将属于不同数据空间中训练样本的判别器标签定义为向量[0；l]或[l；0]，并设计了两种特定策略来构造其非零元素l。源域判别器硬标签hl的设计方案为：
其中，
其中，
根据上述预定义的域标签，我们的局部域适应模块也遵循对抗学习中的对立过程，其更新基线网络的对抗损失可表示为：
其中，D
6):根据基线网络以及分类器生成的源域预测P
7):对于上述混合框架生成的目标域输出P
P＝upsample(P
其中，unsample上采样则采用的是双线性方法。
采用上述技术方案的本发明，能够对高分辨率光学遥感影像中蕴含的潜在类别信息进行提取和利用。该方法首先通过统计源域和目标域的原始遥感影像RGB波段上的统计分布特点，进行归一化处理，其次根据输入影像尺寸设计强基线网络，提取类别相关的高级语义特征，然后在特征空间和输出空间集成类别级判别器和二值化判别器，分别执行局部和全局对抗域适应。
附图说明
图1为本发明域适应地表覆盖分类数据集示例；
图2为本发明残差网络块；
图3为本发明局部对抗域适应模块；
图4为本发明全局对抗域适应模块。
具体实施方案
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施仅是本发明一部分实施，而不是全部的实施例。基于本发明中的实施，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施，都属于本发明保护的范围。
本发明提出了一种基于深度学习和类感知域适应的地表覆盖分类方法。该分类算法能够对高分辨率光学遥感影像中蕴含的潜在类别信息进行提取和利用。该方法首先通过统计源域和目标域的原始遥感影像RGB波段上的统计分布特点，进行归一化处理，其次根据输入影像尺寸设计强基线网络，提取类别相关的高级语义特征，然后在特征空间和输出空间集成类别级判别器和二值化判别器，分别执行局部和全局对抗域适应。
为达到上述目标，本发明具体步骤如下所示：
1):用于域适应地表覆盖分类模型训练的数据由标记的源域数据集和无监督的目标域数据集构成(图1)。源域数据集包括原始遥感影像和地面真值，并通过滑动窗口将其裁剪为许多小块：
其中，x、y分别为遥感影像和对应的地面真值，h和w分别为输入的高和宽，c为地表覆盖类别数目，n为训练样本数目。
作为模型输入的目标域数据集，仅包含裁剪后的遥感影像块：
2):以n
x
其中，x
3):根据上述输入影像数据的尺寸大小，构建卷积核大小为7×7的卷积运算进行初次下采样操作:
f(x
其中，x
4):在上述输出特征的基础上构建预训练的残差网络来提取源域或目标域数据的有效语义特征。该基线网络由多个结构相同的残差块(图2)作为特征提取路径进行网络推理，每个残差块可表示为：
H＝R(F(x))+F(x)(15)
其中，F(x)为残差块的输入特征，R(·)和H分别为叠加非线性卷积运算和映射输出特征。
5):根据基线网络构成的基线网络得到的源域和目标域高级语义特征F
首先将属于不同数据空间中训练样本的判别器标签定义为向量[0；l]或[l；0]，并设计了两种特定策略来构造其非零元素l。源域判别器硬标签hl的设计方案为：
其中，
其中，
根据上述预定义的域标签，我们的局部域适应模块也遵循对抗学习中的对立过程，其更新基线网络的对抗损失可表示为：
其中，D
6):根据基线网络以及分类器生成的源域预测P
7):对于上述混合框架生成的目标域输出P
P＝upsample(P
其中，unsample上采样则采用的是双线性方法。