[发明专利]一种结构增强的半监督在线地图生成方法

说明书

本发明提供一种结构增强的半监督在线地图生成方法，涉及在线地图技术领域。该结构增强的半监督在线地图生成方法，包括如下具体步骤：利用已有的遥感影像、地图数据集，或者通过谷歌地图提供的API获取遥感影像和即成地图这两种图像资源并进行标准化处理，获取到的两种图像资源之间存在部分样本的映射关系，根据配对与否，通过文件组织结构划分为配对样本和非配对样本，构建半监督训练数据集。本发明建立了一种遵循循环一致性的半监督训练方法，更为充分地应用可用资源，结合CycleGAN和Pix2Pix的结构特点，创建了S2OM的半监督学习策略，分阶段针对配对样本和非配对样本进行学习，使模型学习更充分，地图生成错误率更低。

技术领域

本发明涉及在线地图技术领域，具体为一种结构增强的半监督在线地图生成方法。

背景技术

遥感影像到在线地图服务的转换，是空间信息由遥感影像这一载体转移到地图这一载体的过程，也可以认为是由遥感影像这类图像在保证必要的信息量的前提下转换为地图类图像的过程。图像到图像转换指将一张分布在原始内容域中的图像转换为目标内容域中的对应图像，最新的图像到图像转换方法充分利用了生成对抗网络(GenerativeAdversarial Network,GAN)建立图像特征表达，学习特征映射与图像转换方法，并取得了良好的效果。一个典型的生成对抗网络由一个生成器和一个判别器组成，生成器学习产生和真实样本具有相同特征的伪造样本，判别器学习如何识别区分样本的真伪。生成对抗网络控制生成器和判别器交替训练，使生成器和判别器的损失同步减少，实现同步优化生成器和判别器的效果。随着训练的增加，判别器判断样本真伪的能力不断提高，促使生成器产生的样本逼真度不断逼近真实样本。

Pix2Pix算法在原始内容域中的图像上使用了一个条件对抗生成网络并增加了一个生成目标域图像和真实目标域图像之间的L1损失，得到了一个单输入-单输出的图像转换网络。然而Pix2Pix算法虽然效果好，但对于训练数据集要求较高，需要两种图像一一配对的训练数据集。为了解决这一缺陷，基于Pix2Pix算法优化改进得到的非配对图像到图像转换网络CycleGAN，通过基于每张图片在经过两次转换后应当与原始图像一致的理论基础修改网络结构，消除了样本必须配对出现的限制，但不同的网络结构和损失函数计算方式使算法的鲁棒性产生了一定的下降。

虽然GAN在包括图像生成、样本伪造、特征学习、人脸识别、图像超分辨率、图像去雾霾化等图像领域的应用十分广泛，从各个角度优化GAN的研究也很多，然而在针对遥感影像与地图的方面的研究还较少。目前，国外学者在CycleGAN的基础上提出了GeoGAN，将遥感图像尝试转换为地图，但并没有提出针对图片转换效果的量化评价指标，同时也没有解决缺乏遥感-地图配对训练集的问题。还有利用Pix2Pix和CycleGAN将配对样本和非配对样本分别进行了地图风格迁移转换的实验，但实验仅仅证明了利用GAN对地图绘图风格进行转换的可能性，而并没有涉及到对遥感影像的转换。国内学者结合GAN对遥感影像的应用主要集中于三个方向：基于生成对抗网络的遥感图像提取与分割，例如使用CDGAN检测遥感图像变化和基于生成对抗网络对遥感影像中的云进行检测；基于生成对抗网络的遥感图像超分辨率研究，例如对单幅遥感图像的超分辨率实验表明超分辨率生成对抗网络可以取得比超分辨率卷积神经网络更优秀的超分辨率效果和通过调整改进边界平衡生成对抗网络，实现了端到端的单帧遥感图像超分辨率方法；以及使用生成对抗网络进行遥感图像分类，例如使用ACGAN进行高光谱遥感图像的分类，取得了较好的效果。