[发明专利]一种大范围地物分割的多目标无监督域自适应方法

权利要求书

1.一种大范围地物分割的多目标无监督域自适应方法，包括以下步骤：

步骤1：在获取的大范围遥感影像中，选取多个领域中的一个任意领域的数据，标记后进行裁剪制作源域数据集，除选中领域外的其他领域的图像直接裁剪后制作为多个目标域数据集；

步骤2：将源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取分割模型；

步骤3：将多个目标域数据集输入分割模型中，通过熵最小化排序，将拥有高置信度伪标签的目标域图像制作为伪源域数据集；

步骤4：将伪源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取最终分割模型；

步骤5：将全部遥感图像放入模型得到分割结果；

步骤2中，对多分支无监督域自适应模型进行训练以获取分割模型时，包括以下步骤：

1)构建多分支无监督域自适应模型；

2)将源域数据集和多个目标域数据集作为输入，训练至模型性能达到最优；

在步骤1)中，多分支无监督域自适应模型由特征提取器、不变特征分类器、K个目标分类器、K个分支模块和K个细粒度鉴别器构成；其中，特征提取器后接K个目标分类器和K个分支模块，K个分支模块分别与对应的K个细粒度鉴别器连接，同时，K个分支模块的输出也与不变特征分类器连接；

在步骤2)中，多分支无监督域自适应模型中各模块训练受到不同数据监督，其中特征提取器和不变特征分类器通过全部数据进行训练；第k个目标分类器，第k个分支模块和k个细粒度鉴别器通过源域数据集和第k个目标域数据集进行训练；

用于训练特征提取器的损失函数定义如下：

其中L_seg是来自源域数据的分割损失，和是目标域数据产生的对抗损失和分类损失，是目标域图像的域标签，是目标域图像经过鉴别器后产生的预测概率，是目标域图像在第k个目标分类器上的产生的预测概率，是第k个目标域的样本数量，和是控制对抗损失和分类损失影响的权重因子；

源域数据集在多分支无监督域自适应模型的数据流包括以下步骤：

s1)源域图像通过特征提取器产生特征图；

s2)源域特征图通过全部分支模块提取不变特征，产生的不变特征输入不变特征分类器生成预测结果，计算分割损失；

s3)源域不变特征输入鉴别器，训练鉴别器；

多个目标域数据集在多分支无监督域自适应模型的数据流包括以下步骤：

s-1)目标域图像通过特征提取器产生特征图；

s-2)第k个目标域的图像产生的特征图通过第k个分支模块提取不变特征，产生的不变特征输入不变特征分类器生成伪标签，同时将不变特征输入第k个鉴别器，计算对抗损失；

s-3)第k个目标域的图像产生的特征图输入第k个目标分类器，计算分类损失；

s-4)第k个目标域的不变特征输入第k个鉴别器，训练第k个鉴别器。

2.根据权利要求1所述的方法，其特征在于，所述步骤3中，将目标域图像输入模型后获得预测结果，通过计算预测结果的熵，对图像分割情况进行排序，将置信度高的图像提取出来。

3.根据权利要求1所述的方法，其特征在于，所述步骤4中，将置信度高的目标域标签图和对应的目标域图像作为伪源域，将伪源域和目标域的图像输入多分支无监督域自适应模型中进行训练。