[发明专利]一种高分辨率遥感图像实例分割模型的训练方法及装置

说明书

本发明公开了一种高分辨率遥感图像实例分割模型的训练方法及装置。包括：获取有标签的第一遥感图像和无标签的第二遥感图像；将第一遥感图像和第二遥感图像输入至初始高分辨率遥感图像实例分割模型；基于监督分支网络对第一遥感图像进行处理，并根据处理结果得到监督分支网络的监督损失函数；基于一致性分支网络对第一遥感图像和第二遥感图像进行处理，并根据处理结果得到一致性分支网络的一致性损失函数；基于监督损失函数和一致性损失函数，计算得到模型损失函数；根据模型损失函数调整初始高分辨率遥感图像实例分割模型的模型参数，并迭代上述过程，直至得到目标高分辨率遥感图像实例分割模型。本发明可以有效地利用未标注数据提高模型分割精度。

技术领域

本发明涉及图像处理技术领域，特别是一种高分辨率遥感图像实例分割模 型的训练方法及装置。

背景技术

对于高分辨率遥感影像的实例分割任务来说，数据的收集与标注是一项耗 费时间、耗费人力的任务。首先高分辨率遥感图像数据不易收集；其次，由于 高分辨率遥感图像是从一定高度俯视拍摄得到，所以图像内可能存在成百上千 的小目标实例。而小目标实例的像素级别标注相对来说更加耗时、耗力。这些 因素使得标注一个大型、高质量的高分辨率遥感图像实例分割数据集的难度剧 增。

然而现实生活中往往存在大量没有被利用的未标注数据，因此如何在有限 标注数据的前提下，利用大量的未标注数据来提高遥感图像实例分割模型分割 精度，也是值得深入探讨与研究的问题。目前基于半监督学习的自然图像实例 分割已经有了部分工作，也取得了不错的成果。但基于半监督学习的遥感图像 实例分割还甚少有人研究。

目前遥感图像实例分割方法主要关注模型性能的提高，较少有方法考虑到 标注数据不足等问题。总的来说，基于半监督学习的遥感图像实例分割还尚未 得到有效解决，存在以下两点挑战：(1)针对遥感图像实例分割任务中未标注 数据的利用，目前还没有有效的解决方案；(2)遥感图像内的目标具有尺寸差 异大、任意方向性，且小目标较多，导致遥感图像实例分割任务难度增加。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种高分辨率遥 感图像实例分割模型的训练方法及装置。

本发明的技术解决方案是：

第一方面，本发明实施例提供了一种高分辨率遥感图像实例分割模型的训 练方法，包括：

获取有标签的第一遥感图像和无标签的第二遥感图像；

将所述第一遥感图像和所述第二遥感图像输入至初始高分辨率遥感图像实 例分割模型；所述初始高分辨率遥感图像实例分割模型包括：监督分支网络和 一致性分支网络；

基于所述监督分支网络对所述第一遥感图像进行处理，并根据处理结果得 到所述监督分支网络的监督损失函数；

基于所述一致性分支网络对所述第一遥感图像和所述第二遥感图像进行处 理，并根据处理结果得到所述一致性分支网络的一致性损失函数；

基于所述监督损失函数和所述一致性损失函数，计算得到模型损失函数；

根据所述模型损失函数调整所述初始高分辨率遥感图像实例分割模型的模 型参数，并迭代上述过程，直至得到目标高分辨率遥感图像实例分割模型。

可选地，所述一致性分支网络包括：特征提取骨干网络层、区域生成网络、 边界框特征提取器、边界框预测模块和掩膜预测器，其中，

所述基于所述一致性分支网络对所述第一遥感图像和所述第二遥感图像进 行处理，并根据处理结果得到所述一致性分支网络的一致性损失函数，包括：

对所述第一遥感图像和所述第二遥感图像进行水平翻转处理，分别得到第 一翻转图像和第二翻转图像；