[发明专利]一种无监督域自适应语义分割方法及系统

说明书

本发明提供一种无监督域自适应语义分割方法及系统，包括：获得DSM图像、遥感影像和语义标签图像；将DSM图像和遥感影像输入多路径编码器，获得DSM图像的最终特征图和遥感影像的最终特征图；将DSM图像的最终特征图和遥感影像的最终特征图输入多任务解码器，生成源域的分割结果和目标域的分割结果；通过分割损失对语义分割模型进行更新，获得第一更新语义分割模型；通过对抗损失对第一更新语义分割模型进行更新，获得第二更新语义分割模型；将目标域的遥感影像数据集输入第二更新语义分割模型获得最终语义分割预测图。本发明纠正了数据分布不匹配导致的上下文混乱，并减少了边界区域的常见错误分类，大大提升了分割精度和可靠性。

技术领域

本发明涉及遥感图像处理领域，尤其涉及一种无监督域自适应语义分割方法及系统。

背景技术

遥感技术和机器设备的进步不断提高获取高分辨率遥感图像的效率。如今，高分辨率遥感图像越来越适用于各种应用，为各种遥感图像解译任务的发展提供了重要信息。在遥感领域，遥感影像的语义分割是一项基本任务，通过将遥感影像的每个像素分配给唯一的类别标签，为遥感影像中感兴趣的目标生成分割掩码。它服务于许多应用，包括土地利用和土地覆盖、城市规划、变化检测和城市功能提取等。近年来，蓬勃发展的深度学习方法促进了遥感影像的语义分割。以深度卷积神经网络及其变体为代表的大量工作被开发用于遥感影像的语义分割，实现了显著的性能改进。然而，这些工作主要遵循有监督的深度学习方法来训练模型，高度依赖于大量人工标记的像素级标签图像，耗费大量人力和时间，增加了训练成本。同时，在遥感领域的实际应用中，在特定的数据集(有标签图像的源域数据集)上训练良好的模型一般无法直接迁移到另一个数据集(无标签图像的目标域数据集)上。因为不同数据集的遥感影像在光照、成像以及地理环境上的差异巨大，不同数据集的数据分布不匹配(即域差距)会导致严重的上下文关系混乱。

为了减少对像素级标签数据的依赖并缩小源域与目标域的域差距，开发弱监督和无监督的学习方法来解决遥感影像的语义分割问题正在兴起。作为一种非常有前景的无监督学习方法，无监督领域自适应(UDA)策略被引入到遥感影像的语义分割任务中，并取得了很大的性能改进，有力地推进了语义分割任务的发展。这些方法利用UDA将遥感影像的分割知识从标记密集的源域转移到未标记的目标域，通过各种UDA策略缩小源域和目标域的域差距，有效地提高了分割结果的精度和可靠性。

然而，现有技术中仅使用正射影像或者卫星影像作为训练图像去提高模型的分割性能，存在一些局限性：1)遥感影像中存在大量光谱相似但类别与高度不同的地物，仅依靠遥感影像难以准确识别这些区域，导致分类混淆；2)不同地物的相邻边界和阴影区域的像素级分类容易遭受噪声，产生不可靠的预测。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

为解决上述技术问题，本发明提供一种无监督域自适应语义分割方法，包括：

S1：获取源域和目标域的遥感影像数据集，对源域和目标域的遥感影像数据集进行裁剪，获得DSM图像、遥感影像和语义标签图像；

S2：构建语义分割模型，语义分割模型包括：多路径编码器和多任务解码器，将DSM图像和遥感影像输入多路径编码器，获得DSM图像的最终特征图和遥感影像的最终特征图；

S3：将DSM图像的最终特征图和遥感影像的最终特征图输入多任务解码器，生成源域的分割结果和目标域的分割结果；

S4：通过源域的分割结果和语义标签图像计算获得分割损失，通过分割损失对语义分割模型进行更新，获得第一更新语义分割模型；

S5：构建鉴别模型，将源域的分割结果和目标域的分割结果输入鉴别模型，计算获得对抗损失和鉴别损失，通过对抗损失对第一更新语义分割模型进行更新，获得第二更新语义分割模型，通过鉴别损失对鉴别模型进行更新，获得第一更新鉴别模型；