[发明专利]一种基于全局-局部对抗学习框架的跨域道路提取方法

权利要求书

1.一种基于全局-局部对抗学习框架的跨域道路提取方法，其特征在于，包括以下步骤：

步骤1，获取有标签的源域数据，以及无标签的目标域影像，一起组成训练集用于网络训练，对训练集进行归一化与数据增强；

步骤2，构建全局-局部对抗学习框架，包括全局-局部对抗学习网络框架构建和目标函数设计；

所述全局-局部对抗学习网络框架为生成器和判别器结构，首先利用生成器生成特征，来混淆判别器，生成器后面紧接着两个分支，一个分支进行道路分割，获取道路分割概率图，另一个分支通过全局-局部对抗学习引导生成器生成域不变特征；目标函数包含三个部分：分割损失，参数差异损失和自适应加权的对抗损失；

所述步骤2中全局-局部对抗学习网络框架的具体结构如下；

该框架采用在ImageNet数据集上预训练的修正后的ResNet作为生成器，移除ResNet50的第四个残差块，并将第三个残差块内的最后一层卷积的步长由2变成1，同时将标准卷积替换成空洞率为2的空洞卷积，以保证特征分辨率不降低的同时增大网络感受野，由此，得到修正后的ResNet生成器，对于输入的源域影像x_s和目标域影像x_t，经过生成器之后，得到源域输出e_s和目标域输出e_t；生成器之后是两个分支，一个分支进行道路分割，首先采用1×1卷积将源域特征e_s的维度降低，然后通过双线性插值将特征图进行上采样，再采用跳跃连接，通过和相应的低层特征进行逐像素的相加，来恢复更详细的空间细节信息，之后分别采用3×3卷积和1×1卷积降低特征图维度，最后通过双线性插值，四倍上采样恢复到原始输入大小，并通过Sigmoid分类器获取道路分割概率图；另一个分支进行全局-局部对抗学习，利用两个互斥分类器，分别输出一个二维特征图m₁和m₂，紧接着1×1卷积得到一维的概率图p₁和p₂，最终的概率值p是p₁和p₂之和；

对于判别器D，采用的是不同通道数的五层全卷积网络，每一个卷积层后面连接一个leaky ReLU，最后采用双线性插值使得输出结果恢复到原始输入大小；对于源域输入e_s，通过两个分类器得到概率图p_s，然后输入到判别器D中计算对抗损失；对于目标域输入e_t，通过两个分类器得到概率图p_t，输入到判别器D中计算对抗损失；同时也得到二维输出和紧接着softmax激活函数来获得分割输出和然后根据和之间的差异计算权重，根据此权重来自动调节对抗损失，权重越小，说明特征已经很好的对齐了，这些像素的对齐力度应该被降低，权重越大，说明这些特征还没有很好对齐，应该增强对齐力度；

步骤3，基于构建的全局-局部对抗学习框架，在训练集上进行训练，优化模型参数，直至收敛；

步骤4，基于收敛后的全局-局部对抗学习框架，对来自目标域的测试集进行预测，利用输出的道路分割概率图获得道路提取结果。

2.如权利要求1所述的一种基于全局-局部对抗学习框架的跨域道路提取方法，其特征在于：所述步骤1的实现方式如下，

步骤1.1，在SpaceNet道路提取竞赛网站上进行注册，下载数据集，划分出源域训练样本；

步骤1.2，在目标域测试集影像范围的相邻区域下载与之地理位置不重合，但时间和分辨率一致的目标域影像，作为目标域的无标记影像；

步骤1.3，将有标记的源域数据和无标记的目标域影像一起组成训练集，对训练集进行归一化操作，并利用水平翻转、垂直翻转和随机旋转对训练集进行数据增强。