CN115359361B 一种sar影像域自适应动态优化地物分类模型训练方法 （西安电子科技大学）

US2022028038A1,2022.01.27一种SAR影像域自适应动态优化地物分类模本发明公开了一种SAR影像域自适应动态优更新分割网络的网络参数，得到第二待训练模获得地物分类模型。本发明提高了SAR影像地物2获取有标签的源域SAR影像和无标签的目标域SAR影像后，根据所述源域SAR影像及源域SAR影像对应的标签生成源域训练样本，并根据所述目标域SAR影像生成目标域训练样将所述源域训练样本和所述目标域训练样本输入至所述第一待训根据所述第一损失值及所述预设损失函数的梯度，通过根据所述第一损失值、偏好向量、所述第一待训练模型的任务将所述源域训练样本和所述目标域训练样本输入至所述第二待2.根据权利要求1所述的SAR影像域自适应动态优化地将各源域SAR影像及其对应的标签切分为512×512的小块，获得源域切块小图以及各3.根据权利要求1所述的SAR影像域自适应动态优化4.根据权利要求2所述的SAR影像域自适应动态优化地物分类模型5.根据权利要求1所述的SAR影像域自适应动态优化3Tgj*为计算得到的动态优化系数。6.根据权利要求1所述的SAR影像域自适应动态优化地物分7.根据权利要求1所述的SAR影像域自适应动态优化8.根据权利要求2所述的SAR影像域自适应动态优化地物获取各目标域SAR影像的标签以及各目标域SAR影像切分得到的目将所述目标域切块小图输入至所述地物分类模型，得到各目标域切根据所述整体预测结果和所述各目标域SAR影像的标签，计算该地物分类模型的评估4[0001]本发明属于计算机技术领域，具体涉及一种SAR影像域自适应动态优化地物分类[0002]极化SAR(SyntheticApertureRadar，合成孔径雷达)是一种高分辨主动式相干物分类是SAR影像分类的一种，近年来，由于深度学习强大的特征提取能力和图像处理能算法在训练时采用权重超参数将训练目标(分割损失和对抗损失)线性组合成一个总体目[0006]为了解决现有技术中存在的上述问题，本发明提供了一种SAR影像域自适应动态[0008]获取有标签的源域SAR影像和无标签的目标域SAR影像后，根据所述源域SAR影像5[0014]利用所述动态优化系数、不同任务对应的损失值以及不[0018]将各源域SAR影像及其对应的标签切分为512×512的小块，获得源域切块小图以6Tgj*为计算得到的动态优化系数。[0037]根据所述整体预测结果和所述各目标域SAR影像的标签，计算该地物分类模型的[0039]本发明提供一种SAR影像域自适应动态优化地物分类模型训练方法，通过从多目[0042]图1是本发明实施例提供的SAR影像域自适应动态优化地物分类模型训练方法的[0048]图1是本发明实施例提供的SAR影像域自适应动态优化地物分类模型训练方法的7[0059]步骤S2中，初始化得到的分割网络采用DeepLab_v2框架，在该框架中，以在柔性最大化softmax输出的同时应用上采样层来匹配输入8[0064]将各源域SAR影像及其对应的标签切分为512×512的小块，获得源域切块小图以[0070]本实施例中，由于使用基于对抗训练的域自适应语义分割算法AdaptSegNet作为ler据偏好先验设置的不同优化目标前的加权系数)寻找到多任务学习的精确帕累托最优解。9*为计算得到的动态优化系数。[0084]在上述SAR影像域自适应动态优化地物分类模型训练方法中，动态优化系数的求解需要使用经一步优化后的不同任务损失函数及其梯度，并且在动态优化系数的求解中，[0086](1)首先，参数初始化：偏好向量reR",步长为η[0088]其中，对任意EPO解;,L(;)是在帕累托前端上与射线[0089](2)计算损失值=4(0'),jem,以及损失函数的梯度mJ=[m]-J是位于dbal负半平面上梯度的指标集。如果使用dbal移动到一个新的解[0105]现在寻求一个方向，使得从一个解θt移动到另一个解θt+1时，θt+1可以支配[0125]根据整体预测结果和所述各目标域SAR影像的标签，计算该地物分类模型的评估[0126]示例性地，评估指标包括：OA(OverallAccuracy，总体精度)和MIoU(Mean[0130]下面通过仿真实验对上述SAR影像域自适应动态优化地物分类模型训练方法做进[0131]仿真实验中，将尺寸为10240×9216、分辨率为1m的源域图像以及尺寸为9728×[0135]请结合图2_5以及表1，采用本发明提供的SAR影像域自适应动态优化地物分类模[0137]本发明提供