[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

说明书

本发明公开了一种基于全局‑局部对抗学习框架的跨域道路提取方法，该方法具有以下两个显著特点：一是利用一个全局‑局部对抗学习框架用于高分辨率遥感影像跨域道路提取，该框架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，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。第二，全局‑局部对抗学习过程中，使用两个互斥分类器对道路进行识别，两个分类器识别的差异可以反映每一个像素的识别难易程度，从而自适应地对对抗损失进行加权，自动减慢或加速对抗学习的过程。本方法可以明显改善道路缺失现象，对于一些困难的样本也能较好的识别，显著提升道路识别精度。

技术领域

本发明基于遥感图像技术处理领域，特别涉及一种基于全局-局部对抗学习框架的跨域道路提取方法。

背景技术

近年来，随着IKONOS、QuickBird、Worldview、GJ-1、GF-6等一系列国内外高分辨率遥感卫星的成功发射，高分辨率遥感数据获取能力迅速增强，使得我们能获取的高分辨率遥感影像资源在规模上不断扩大，意味着遥感大数据时代已经来临。高分辨率遥感影像包含丰富的空间细节信息，能够精确描述地物的几何属性特征，高分辨率遥感影像相对于中低分辨率遥感影像来说，地物几何结构更加明显，纹理更加精细，位置布局更加清晰。因此，高分辨率遥感凭借其获取手段技术成熟，影像分辨率高，覆盖范围广等优势，已被广泛应用于军事侦察、灾害防治、城市规划等事关国防建设和经济社会发展的诸多领域，高分辨率遥感的发展已然对推动社会进步起着至关重要的作用。

道路作为基础的地理数据和重要的国情要素，是高分辨率遥感影像中一项重要的地物目标，对于人类生活具有十分重要的影响，道路经过规划设计会形成四通八达的道路网，提取出道路的完整信息构建道路网对于国家经济社会的发展具有十分重要的实用价值，也是各种实际应用开展的关键前提。如为城市规划提供前瞻性指导，为智能交通提供基础数据，为地理信息系统更新提供更高效的技术手段等。因此，如何应用现代高分辨率遥感技术结合一定的计算机技术快速、准确地对道路信息进行识别和更新是当前遥感领域的研究热点。

基于国内外对道路提取的几十年研究历史，相关研究学者针对不同源数据，不同生产需求，已从不同角度提出大量的方法和成果，这些方法在道路提取上存在各自的优势，精度上也在不断提升。但长期以来，受道路自身特征的特殊性、周边环境的复杂性和不同影像之间差异的影响，自动化高精度提取道路网仍然是遥感领域研究的一个难点。当前，在遥感大数据的背景下，使用最多的方法就是基于深度学习的方法，深度学习方法是一种数据驱动的方法，依赖于海量的数据训练模型，来完成各种识别任务。目前的深度学习方法仍以监督学习为主，需要人工大量的标记数据来训练模型，这样的数据标注工作需要消耗大量的人力和财力。而如果直接在域A上训练道路提取模型，在域B上测试时，模型的识别能力会急剧下降，导致道路识别存在很多漏检的情况。

基于此，考虑增强深度学习模型的泛化能力，使其在未标注目标域上也能够很好地提取道路。

发明内容

本发明的目的在于提出一种基于全局-局部对抗学习框架的跨域道路提取方法。

提出的基于全局-局部对抗学习框架的跨域道路提取方法从两个方面来增强深度学习模型的泛化能力，一方面在特征输出层采用对抗学习，通过混淆域判别器使其无法识别特征来自源域还是目标域，来引导生成器生成域不变特征；另一方面在对抗学习中，根据每一个像素的识别难易程度，自适应地调整对抗损失，从而自动减慢或加速对抗学习的过程。本发明能够有效提升深度学习模型的泛化能力，一定程度上解决跨域道路提取时，道路漏检严重的问题。