[发明专利]一种遥感影像语义分割方法及装置

说明书

本发明提供一种遥感影像语义分割方法及装置，该方法包括：通过有标记的遥感影像数据对语义分割对抗网络进行训练；通过未标记的遥感影像数据对所述语义分割对抗网络进行训练，采用生成器权值共享对未标记遥感影像数据进行预测，并在判别器上生成置信度图；根据预定义的损失函数，通过有标记的遥感数据和未标记的遥感数据对语义分割对抗网络迭代训练，优化超参数，基于迭代优化后的语义分割对抗网络进行语义分割。通过该方案解决了现有语义分割模型训练过程中，样本标注工作量过大的问题，实现在小样本条件对语义分割模型进行训练，保证语义分割模型分割的准确性和可靠性的同时，减少样本标注工作量。

技术领域

本发明涉及计算机视觉与遥感领域，尤其涉及一种遥感影像语义分割方法及装置。

背景技术

随着分布式计算、深度学习等人工智能技术的大规模应用，遥感影像语义分割(分类)技术取得了突破性发展。遥感影像的语义分割技术，其目的是为待解译的影像上每一个像元赋予对应的语义标签值，使遥感影像中像元具备相应的类别属性信息。作为遥感图像处理领域的基础问题之一，遥感影像语义分割技术可广泛应用于减灾、农作物估产、地表覆盖调查等任务，具有巨大的实际应用价值。

目前，以全卷积神经网络(fully convolutional networks,FCN)为代表的方法被应用于遥感影像语义分割(分类)任务，主要原因在于FCN架构设计简单、模型训练与推理容易使用。尽管通过多种策略，如扩张卷积(dilated/atrous convolution)、金字塔池化(pyramid pooling)、多尺度表征、由粗到精的场景上下文优化等方法，可以使FCN的性能得到极大提升，但高精度的模型在训练时需要大量已标注好的数据，而逐像元的遥感影像语义分割数据标注耗时耗力，往往需要长期专业培训才能完成高质量的数据标注任务，对于遥感影像分割模型的训练而言，样本标注过程工作量过大。

发明内容

有鉴于此，本发明实施例提供了一种遥感影像语义分割方法及装置，以解决遥感影像语义分割模型训练过程中，样本标注工作量过大问题。

在本发明实施例的第一方面，提供了一种遥感影像语义分割方法，包括：

通过有标记的遥感影像数据对语义分割对抗网络进行训练，其中，所述语义分割对抗网络中包含有基于注意力机制的生成器和基于置信度预测机制的判别器；

通过未标记的遥感影像数据对所述语义分割对抗网络进行训练，采用生成器权值共享对未标记遥感影像数据进行预测，并在判别器上生成置信度图；

根据预定义的损失函数，通过有标记的遥感数据和未标记的遥感数据对语义分割对抗网络迭代训练，优化超参数，以基于迭代优化后的语义分割对抗网络对待识别遥感影像数据进行语义分割。

在本发明实施例的第二方面，提供了一种遥感影像语义分割装置，包括：

第一训练模块，用于通过有标记的遥感影像数据对语义分割对抗网络进行训练，其中，所述语义分割对抗网络中包含有基于注意力机制的生成器和基于置信度预测机制的判别器；

第二训练模块，用于通过未标记的遥感影像数据对所述语义分割对抗网络进行训练，采用生成器权值共享对未标记遥感影像数据进行预测，并在判别器上生成置信度图；

迭代优化模块，用于根据预定义的损失函数，通过有标记的遥感数据和未标记的遥感数据对语义分割对抗网络迭代训练，优化超参数，以基于迭代优化后的语义分割对抗网络对待识别遥感影像数据进行语义分割。

在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。