一种基于域知识库的多源域泛化的云和云阴影检测方法

专利主权项内容

1.一种基于域知识库的多源域泛化的云和云阴影检测方法，其特征在于，包括以下步骤：11)基于域知识库的多源域泛化的云和云阴影检测准备工作：对用于进行域泛化的源域遥感卫星影像根据含云量分类，按一定比例挑选各个百分比的影像数据；对用于进行域泛化的源域遥感卫星影像进行波段合并、裁剪预处理；对用于进行域泛化的源域遥感卫星影像标签进行归一化预处理；12)构建与训练基于域知识库的多源域泛化的云和云阴影检测模型，包括以下步骤：121)构建基于域知识库的多源域泛化的云和云阴影检测模型：所述基于域知识库的多源域泛化的云和云阴影检测模型包括编码器结构、解码器结构、跳跃连接结构、域知识库模块、域预测器模块，特征相似性学习模块，编码器结构用于提取抽象特征，解码器结构用于从不同尺度的特征中恢复云掩膜，跳跃连接结构用于将不同尺度的浅层空间信息和深层语义信息结合，域知识库模块用于存储多个源领域的先验知识，域预测器模块用于预测每个目标域图像属于每个源域的概率，特征相似性学习模块结构用于增强与源域相似的输入特征，抑制与所有源域不同的特征；1211)编码器结构为一个普通3x3卷积层，一个批归一化层，一个RELU线性激活单元以及resnet34的前四层构成的四个下采样块；；1212)解码器的结构为四个普通3x3卷积层，一个批归一化层，一个RELU线性激活单元构成的上采样块；1213)跳跃连接的结构为拼接两个输入为一个输出；1214)域知识库模块的结构为将编码器输出的域特征图以向量的形式保存并在训练过程中动态更新库以减少特征冗余。1215)域预测器模块的结构为一个分类器来预测每个目标域图像属于每个源域的概率；1216)特征相似性学习模块的结构为将bank中的特征动态集成到不同权值的深度模型中，鼓励将特定领域的特征相互分离；122)训练基于域知识库的多源域泛化的云和云阴影检测模型：首先将原始多个源域遥感卫星影像经过编码器结构，通过跳跃连接结构将编码器第一层输出和最后一层输出连接，再经过域知识库模块，得到包含多个源域的域知识的库；然后将原始多个源域遥感卫星影像经过编码器结构之后的输出，经过域预测器，之后经过特征相似性学习模块，最后经过解码器结构完成整个模型的搭建；训练基于域知识库的多源域泛化的云和云阴影检测模型的具体步骤如下：1221)将预处理后的用于进行域自适应的多个源域遥感卫星影像以及标签输入云和云阴影检测模型中；1222)执行一次编码器结构得到四个下采样输出；执行一个卷积核为3x3的普通卷积层，一个批归一化层，一个RELU线性激活单元以及resnet34的layer1得到第一个下采样输出；对第一个下采样输出执行resnet34的layer2得到第二个下采样输出；对第二个下采样输出执行resnet34的layer2得到第三个下采样输出；对第三个下采样输出执行resnet34的layer2得到第四个下采样输出；1223)将第一次下采样的输出通过跳跃连接结构与第四次下采样的输出进行拼接得到包含低级和高级信息的特征；1224)将得到的特征执行一次域知识库模块；对于每一个源域的所有输入都得到上述特征；对于一个源域，将得到的该域特征图逐像素点相加取平均，得到该域的知识；以此方法，得到一轮训练中每一个源域的知识并保存在域知识库里；1225)将模型原始输入经过每一层编码器之后得到的特征执行一个域预测器模块；对得到的特征执行一次全局平均池化操作得到池化后的特征；对池化后的特征执行一次全连接层；对全连接层得到的特征执行SoftMax操作得到概率向量；1226)将得到的概率向量执行一次特征相似性学习模块；对概率向量执行一次与域知识域矩阵相乘操作；对矩阵相乘后得到的结果执行一次与编码器最后一层输出特征的元素相乘操作；对元素相乘后的结果执行一次与编码器最后一层输出特征的元素相加操作；1227)将经过特征相似性学习模块得到的特征执行一次解码器结构；执行三次包括一次卷积核大小为3x3的普通卷积层、一次批归一化层、一次RELU线性激活单元的上采样块，得到第一次上采样的输出；对第一次上采样的输出执行三次包括一次卷积核大小为3x3的普通卷积层、一次批归一化层、一次RELU线性激活单元的上采样块，得到第二次上采样的输出；对第二次上采样的输出执行三次包括一次卷积核大小为3x3的普通卷积层、一次批归一化层、一次RELU线性激活单元的上采样块，得到第三次上采样的输出；1229)将经过特征相似性学习模块得到的特征通过跳跃连接结构与第三次上采样的输出进行拼接；12210)正向传播，得到最终的分割概率；12211)使用二元交叉熵BCE损失作为网络模型的损失函数对最终的分割概率进行计算得到分割损失；12212)反向传播确定梯度向量，更新模型参数；12213)判断是否达到设定的轮数，是则得到训练好的分割模型，否则返回(1221)重新加载数据继续训练。