[发明专利]基于自监督对比学习的遥感图像语义分割方法

权利要求书

1.基于自监督对比学习的遥感图像语义分割方法，其特征在于，包括以下步骤：

步骤1，构建Deeplab v3+网络模型；

步骤2，采用无标注数据对所述网络模型的编码器进行预训练；

步骤3，预训练完成后，在标注样本上对所述网络模型进行有监督语义分割训练；

步骤4，采用有监督语义分割训练完成的网络模型对遥感图像进行语义分割；

其中在预训练的过程中，采用全局风格对比和局部匹配对比结合的方式进行对比学习，包括以下步骤：

步骤201，对所述的无标注数据进行随机数据变换，对于给定样本x_i进行随机数据变换t′(x_i)和t″(x_i)，从而产生两个相关实例x′_i和x″_i，视为正样本对，t′表示进行随机裁剪缩放，t″表示依次进行随机裁剪缩放，随机翻转，随机旋转，随机颜色失真和随机高斯模糊；

步骤202，利用Deeplab v3+网络模型中的编码器e(·)从变换后的样本实例中进行全局风格特征的特征图提取：stylef_i′＝stylef(x′_i)＝cat(μ(e(x′_i))，σ(e(x′_i))，其中，stylef_i′表示全局风格特征，μ代表对特征图中每一个通道求均值，即全局平均池化，σ代表对每一个通道求方差，cat代表通道拼接；

步骤203，采用投影头projection head对全局风格特征进行处理，所述投影头g(·)为具有一个隐含层的多层感知机：

z_i′＝g(stylef_i′)＝W⁽²⁾r(W⁽¹⁾stylef_i′)

其中，W⁽²⁾表示第二个全连接层、W⁽¹⁾表示第一个全连接层、r表示Relu激活函数，z_i′表示所述投影头g(·)处理后的全局风格特征；

步骤204，利用Deeplab v3+网络模型的编码器e(·)和解码器d(·)从变换后的样本实例x′_i和x″_i中提取特征向量d(e(x′_i))和d(e(x″_i))，根据选择和匹配局部区域的思想，从d(e(x′_i))和d(e(x″_i))获取多个相匹配局部所对应的特征，p′_j和p″_j是相匹配局部所对应特征图，然后对特征图进行全局平均池化获取局部特征向量，即：

f_L(p′_j)＝μ(p′_j)

其中，f_L(p′_j)为局部特征向量；

步骤205，采用投影头projection head g_L(·)对局部特征向量进行处理，所述投影头g_L(·)为具有一个隐含层的多层感知机：

u′_j＝g_L(f_L(p′_j))＝W⁽⁴⁾r(W⁽³⁾f_L(p′_j))

其中，W⁽⁴⁾表示第四个全连接层、W⁽³⁾表示第三个全连接层，u_j表示所述投影头g_L(·)处理后的局部匹配特征；

步骤206，使用整体损失函数训练编码器，整体损失函数由全局风格对比损失和局部匹配对比损失构成：

L＝(1-λ)l_G+λ·l_L

其中，λ为可调权重参数，l_G表示全局风格对比损失，l_L表示局部匹配对比损失。