一种基于类感知域适应的无监督地表覆盖分类方法

专利主权项内容

1.一种基于类感知域适应的无监督地表覆盖分类方法，其特征在于，包括如下步骤：1) : 用于域适应地表覆盖分类模型训练的数据由标记的源域数据集和无监督的目标域数据集构成；源域数据集包括原始遥感影像和地面真值，并通过滑动窗口将其裁剪为许多小块：其中，x、y分别为遥感影像和对应的地面真值，h和w分别为输入的高和宽，c为地表覆盖类别数目，n为训练样本数目；作为模型输入的目标域数据集，仅包含裁剪后的遥感影像块：2) : 以n作为每个迭代训练过程的源域或目标域数据样本输入数量，对输入影像进行均值减法和归一化处理加速网络中权值和偏差参数的收敛：bx＝(x-m)/d (3)ii, jjj其中，x为输入影像i的每个像素在波段j的像素值，m和d分别为所有影像数据在该波段的均值和方差；i, jjj3) : 根据上述输入影像数据的尺寸大小，构建卷积核大小为7×7的卷积运算进行初次下采样操作：f(x)＝conv(x) (4)ii其中，x为源域或目标域输入数据，conv为二维卷积运算，f(x)为输出特征；ii4) : 在上述输出特征的基础上构建预训练的残差网络来提取源域或目标域数据的有效语义特征；该残差网络由多个结构相同的残差块作为特征提取路径进行网络推理，每个残差块可表示为：H＝R(F(x))+F(x) (5)其中，F(x)为残差块的输入特征，R(.)和H分别为叠加非线性卷积运算和映射输出特征；5) : 根据残差网络构成的基线网络得到的源域和目标域高级语义特征F∈R和F∈R，建立一种类别级判别器来构成局部域适应模块；sc×h×wtc×h×w6) : 根据基线网络以及分类器生成的源域预测P和目标域预测P，采用全局对抗域适应解决边缘分布偏移，该模块同样遵循对抗学习中的对立过程，其更新基线网络和分类器的对抗损失可表示为：st7) : 对于上述混合框架生成的目标域输出P，构建上采样层恢复原始尺寸并生成最终的像素级分类预测 : tP＝upsample(P)(7)其中，unsample上采样则采用的是双线性方法。t