[发明专利]一种用于遥感影像地表覆盖分类的深度学习泛化方法

说明书

本发明涉及一种新颖的用于遥感影像地表覆盖分类的深度学习泛化方法。本发明方法通过第一阶段风格迁移将源域影像风格转换为目标域影像风格，从像素级空间缩小源域和目标域间的数据分布差异；通过第二阶段特征级别的语义分割域自适应方法，进一步将源域分布映射到目标域分布上，增强语义分割模型的泛化能力。本发明有效解决了现有地表覆盖分类深度学习方法实际应用中面临的数据集差异过大和模型泛化能力低的问题。本发明有如下优点：鲁棒性强，可适应不同尺度的不同影像风格的无标签影像数据，能提供精度接近于有监督训练的地表覆盖分类图，在城市规划、地图制作和灾害响应等方面具有较高的应用价值。

技术领域

本发明涉及一种两阶段的深度学习泛化方法，利用已有的有标签遥感数据集，即可对任意无标签遥感影像实行地表覆盖分类，分类效果接近于人工标注样本进行有监督训练得到的地表覆盖分类结果，极高程度上复用了现有的数据集知识，大大降低了标记成本，可有效辅助大规模地图制作和更新，具有较高的应用价值。

背景技术

地表覆盖分类图是一种重要的基础地理数据，对城市规划、地图绘制、灾害应急响应等等工作有至关重要的作用。传统的依靠目视判读进行地表覆盖分类图制作的方法是对人力物力的极大消耗。随着遥感技术的不断发展，米级、亚米级等高分辨率遥感影像的获取已经不再困难，从这样的遥感影像上获取精确地表覆盖分类图显示出了极大的潜力。

同时，深度学习技术获得了极大的发展，其与很多传统产业技术比如医疗、教育相融合产生了极大的促进作用。深度学习技术也逐渐被利用到遥感领域。将深度学习技术与遥感技术相融合，从高分辨率遥感影像上自动获得地表覆盖分类图受到国内外研究人员越来越多的关注。

为了促进地表覆盖分类深度学习技术的研究，国内外各单位花费了很多精力与时间制作了很多大规模的高分辨率遥感数据集并公开发布，样本数量已经不小于百万级。短短几年时间，现有的深度学习遥感方法获得了极大的发展，在大规模高分辨率遥感数据集内部执行时，已经能够达到很高的精度，获得几近人工判读的效果。但是，在实际生产中，将这样在大规模遥感数据集上充分训练好的模型直接应用于新获取的遥感影像时通常精度很低，无法产生令人满意的分类结果。一方面问题来自于遥感影像间的表观差异。由于光照辐射、摄影角度、季节变化等影响，不同时期获取的同一地区遥感影像间存在着色彩、亮度等差异；而不同地区获取的遥感影像间不仅存在色彩差异，还存在着景观布局本身的差异。另一方面问题来自于现有的有监督深度学习模型缺乏泛化能力，在应对影像差异过大的情况时没有足够的鲁棒性。

因此，为了充分利用现有昂贵数据集的丰富知识、提高地表覆盖分类深度学习方法实际应用能力，缩小已有大规模遥感数据集(源域)和新获取遥感数据集(目标域)间的分布差异、提高地表覆盖分类深度学习模型的泛化能力势在必行。一种用于遥感影像地表覆盖分类的深度学习泛化方法的发明至关重要。

发明内容

本发明针对现有地表覆盖分类深度学习方法实际应用中面临的数据集差异过大和模型泛化能力低的问题，提供了一种用于遥感影像地表覆盖分类的两阶段解决方案，通过第一阶段风格迁移将源域影像风格转换为目标域影像风格，缩小源域和目标域间的数据分布差异，通过第二阶段特征级别的语义分割域自适应方法，进一步将源域分布映射到目标域分布上，增强语义分割模型的泛化能力。本发明可对任意无标签遥感影像实行地表覆盖分类，分类效果接近于人工标注样本进行有监督训练得到的地表覆盖分类结果。实现本发明目的采用的技术方案是：一种用于遥感影像地表覆盖分类的两阶段深度学习泛化方法，包括如下步骤：

步骤1，根据已有的源域影像及其对应的地表覆盖类别标注文件构建源域样本库；根据无地表覆盖类别标注的目标域影像构建目标域样本库；

步骤2，进行方法的第一阶段：风格迁移。利用步骤1构建的源域样本库中的源域影像和目标域样本库中的目标域影像，通过深度学习风格迁移方法进行无需训练的风格迁移，这一阶段将源域影像的风格转换成目标域影像的风格，生成风格迁移后的源域影像；