买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工大学;山西省交通科技研发有限公司

摘要：本发明公开了一种基于GAN网络的无监督域自适应遥感道路语义分割方法，通过对RGB三通道的遥感图像进行标注，生成标签图像，将图像划分为测试集和训练集，对训练集图像进行预处理；之后构建基于深度学习方法的遥感图像语义分割网络和域判别网络，输入训练集图像交替训练遥感图像语义分割网络和域判别网络，待到网络收敛时保存模型参数；最后将测试集图像输入图像语义分割网络得到标签。与现有技术相比较，本发明通过添加基于特征空间和输出空间的域自适应的方式实现无监督遥感图像的语义分割。优点是最终分割效果好且鲁棒性强。

主权项：1.一种基于GAN网络的无监督域自适应遥感道路语义分割方法，其特征在于，同时使用特征层面和输出空间层面的域自适应方法，特征层面的域自适应针对高维的特征的对齐，输出空间的域自适应侧重于低维特征的对齐，通过同时对特征空间和输出空间的域对抗训练，提取源域和目标域的域不变特征，提升目标域图像的分割精度包括如下步骤：步骤一：制作遥感道路数据集：获得高分辨率遥感图像和低分辨率遥感图像，其中，高分辨率遥感图像数据集作为目标域图像，低分辨率遥感图像作为源域图像；所述源域和目标域遥感图像数据集通过遥感卫星获取；对源域低分辨率图像进行人工标记，制作成包括低分辨率原始图像和经过人工标记的标签的源域数据集，高分辨率目标域图像不进行标注，只包括高分辨率原始图像；将制作的目标域图像数据集按照一定的比例划分为训练和测试两部分，由源域数据和目标域训练图像构成遥感图像道路分割的训练集图像，由目标域的测试图像构成遥感图像道路分割的测试集图像；对训练集遥感图像进行预处理，得到经过数据增强后的遥感图像训练数据集；步骤二：搭建深度遥感图像语义分割网络：步骤2.1：构建特征提取网络，将输入训练集遥感图像进行特征提取，得到多尺度的图像特征信息；特征提取是通过卷积和最大池化操作，实现图像从底层细节特征到高层语义特征的分层特征提取；对图像进行最大池化操作和步长为2的卷积操作实现网络的底层特征提取，通过三次步长为2的卷积操作来实现图像高层信息的提取；最终得到底层特征图和高层特征图；步骤2.2：构建超分辨率网络，将底层特征图经过超分辨率处理得到高分辨率图像，实现遥感低分辨率图像到高分辨率图像的超分辨率转换，生成底层特征图的高分辨率图像；步骤2.3：构建标签预测网络，标签预测网络将从编码器提取的高层特征图进行送入上下文信息模块，提取并整合网络的上下文信息，使用提取的特征图通过注意力模块对来自特征提取网络和超分辨率网络的特征图进行权重调整；将权重调整后的特征图和上采样的特征图进行叠加；标签预测网络将底层特征图、高层特征图和底层特征图的高分辨率图像提取的特征一起进行图像标签预测，实现对于遥感图像数据的语义分割；步骤三：搭建域判别器模型：通过所述域判别器，对语义分割过程中源域和目标域的生成特征图进行判别，确定特征图和概率图所属的域类别；其中，使用特征空间和输出空间两种方法对于网络的语义分割过程进行域间差异消除；步骤四：模型训练及参数优化；步骤4.1：对遥感图像道路分割网络的参数进行初始化，采用resnet-34网络在ImageNet数据集上训练的参数来初始化特征提取网络，对其余网络参数进行随机初始化；将经过预处理的训练集数据输入至遥感图像道路分割网络中，生成遥感图像的语义分割概率图，计算超分辨率损失和语义分割损失；将语义分割概率图输入域判别器模型，实现对于语义分割网络生成概率图所属域的判别，计算域判别损失；步骤4.2：损失反向传播，交替优化语义分割网络、特征空间域判别器模型和输出空间域判别器模型的参数，以损失函数最小化作为优化目标，最终完成语义分割网络参数的优化；步骤4.3：训练完成后，将训练好的语义分割网络模型参数进行保存；步骤五：经过处理的实时的遥感道路数据输入到训练好的遥感图像语义分割网络中，输出遥感图像数据的精确分割结果。

全文数据：

权利要求：

百度查询： 太原理工大学 山西省交通科技研发有限公司 基于GAN网络的无监督域自适应遥感道路语义分割方法