CN116434075B 基于多级伪关系学习的光学遥感影像地物分类方法 （西安电子科技大学）

基于多级伪关系学习的光学遥感影像地物本发明提出了一种基于多级伪关系学习的类中现有自训练方法忽视像素点之间潜在联系损失、源域局部patch级伪关系损失和目标域局部patch级伪关系损失，得到优化模型的优化目2步骤1，从远程设备获取待分类的光学遥感影像以及从数据库获取由多个光学遥感影其中，所述训练集中包括源域样本和目标域样本，目标标域样本的初级特征以及多尺度特征，均输出像素级的第一输出结果和patch级的第二输步骤4，针对每批源域样本和目标域样本重复步骤3的训练过程根据特征进行分类获得待分类的光学遥感影像中所包含目标的类步骤2中的教师模型和学生模型均包括一个特征提取器、两所述特征提取器的输出连接两个ASPP网络的输入，一个ASPP网络的输出连接patch级2.根据权利要求1所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征3.根据权利要求2所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征34.根据权利要求3所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征5.根据权利要求4所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征6.根据权利要求5所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征4步骤6b，将局部patch送入教师模型，经过patch级分类器得到教师模型的概率得分7.根据权利要求6所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征pxpt是patch级伪关系学习在源域和目标域上计算各自损失的超参数。8.根据权利要求7所述的基于多级伪关系学习的光学遥感影像地物分类方法，其特征模型的参数记作w",t_1时刻教师模型的参数记作滑动平均的公式如下：5赋予其类别标注信息，这对于具有丰富语义信息的遥感图像来说需要耗费大量的人力物[0003]利用机器代替人工对光学遥感图像进行分类主要得益于大数据和计算机视觉的[0005]伴随着计算机视觉的发展，越来越多的基于深度学习的方法被用于图像处理。Long等人将卷积神经网络最后的全连接层用卷积层替换提出全卷积神经网络(FCN)用于图等人设计的U_Net在编码器和解码器中间采用跳跃连接，对所有上采样的图与原图融合获糙，因此DeepLab系列模型采用空洞卷积在不丢失信息的情况下获取较大的感受野并设计6[0006]基于深度卷积神经网络语义分割方法的快速发展使得其在遥感领域也有诸多应用，DimitriosMarmanis等人将FCN及其各种变体应用到城市高分辨影像中取得了不错得效果，Audebert等人发现使用SegNet可以提升对小目标(车辆)的分类准确率，Martin[0007]LiangYan等人将具有高置信度的目标数据的预测标签视为按类别划分的伪标签，XuedongYao等人通过阈值设定选取伪标签，FamaoYe等人通过聚类生成伪标签，[0010]步骤1，从远程设备获取待分类的光学遥感影像以及从数据库获取由多个光学遥系网络模型的最终优化目标函数；通过各自模型提取训练样本的初级特征以及多尺度特[0015]步骤5，利用训练好的多级伪关系网络模型提取所述待分类的光学遥感影像的特7[0027]图1是本发明提供的一种基于多级伪关系学习的光学遥感影像地物分类方法的流[0032]如图1所示，本发明提供了一种基于多级伪关系学习的光学遥感影像地物分类方[0033]步骤1，从远程设备获取待分类的光学遥感影像以及从数据库获取多个历史光学8[0037]所述特征提取器的输出连接两个ASPP网络的输入，一个ASPP网络的输出连接系网络模型的最终优化目标函数；通过各自模型提取训练样本的初级特征以及多尺度特[0046]学生模型的参数是通过反向传播更新的，刻学生模型的参数记作教师模型的参数通过滑动平均的方式更新的，t时刻教师模9型的参数记作w",t_1时刻教师模型的参数记作教师模型的参数更新方式如下：[0047]W,"=rw⃞"+(1-t)W,"帮助我们更好地理解局部patch之间的相互作用和依赖关系，从而提高分割的准确性和鲁[0084]步骤6d，将目标域patch图像加入扰动或噪声后送入学生模型生成其概率得分[0092]步骤5，利用训练好的多级伪关系网络模型提取所述待分类的光学遥感影像的特[0103]本发明的网络模型训练测试所采用的数据集是ISPRS2D语义标签挑战数据集、[0105]本发明实验选取MIOU作为实验评价指标，通过两个数据52.3243.6450.639.2628.9736.9642.2339.0951.198.8232.1034.6871.1476.1756.9932.5837.0454.7844.4953.9247.4827.3336.9472.3077.3256.8432.5545.1956.85[0108]图3为各个方法下的可视化结果图，本发明以ISPRS2D语义标签挑战数据集中波像素级关系像素级关系(Ours)Self_trainingArgiculAdaseg42.7247.6942.3547.0642.6644.1544.7040.7541.3743.4140.1143.3148.6181.9565.5428.1967.6725.4232.6856.0867.7123.7328.7025.8022.0579.2558.2552.9334.8338.5330.4436.7431.2132.2133.11ForestBarrenWaterMiouLoveDA数据集的迁移实验中，多级伪关系学习方法MIOU指标相比于像素级伪关系提升了72.3077.3256.8432.5545.1956.8573.1779.4558.0332.5447.0758.04WaterBarrenForestArgiculMiou像素级关系(Ours)34.8347.0648.6167.6643.3140.1152.9347.69多级伪关系(Ours)35.7049.1949.8067.6645.1940.7553.9148.88[0120]表6展示的是加入了目标域局部patch关系学习后的结果，此时源域部分的p