【技术实现步骤摘要】
本专利技术属于合成孔径雷达(sar)影像解译，具体涉及一种基于对比自监督学习的sar影像跨分辨率语义分割方法、系统、设备及介质。
技术介绍
1、合成孔径雷达(sar)影像地物分类技术是遥感领域中的一项关键技术，它在环境监测、资源调查、城市规划等多个领域发挥着重要作用。sar影像具有独特的优势，如全天时、全天候的观测能力，以及不受光照和天气条件限制的高分辨率成像特性。根据sar影像的地物分类的特征获取方式的不同可以分为传统方法和深度学习方法。
2、传统方法主要包括基于纹理、统计特征和分类器的手工设计特征提取和分类方法。传统方法往往基于多年研究积累的专业知识，具有较强的理论基础，这些方法在特定场景中往往表现出色、简单且鲁棒，处理高维特征空间能力强。但是需要较高的专业知识和经验。而深度学习技术，特别是卷积神经网络(cnn)在sar地物分类中取得了显著进展，能够自动学习特征表示并实现更准确的分类结果，减少对专业知识的依赖。然而，这种依赖仅限于在特征选取时不需要专业知识和经验，面对有监督的深度学习算法时，仍然需要大量标注数据进行训练，导致数据获取成本高。此外，在多样化环境下，某些深度学习方法的泛化能力不能得到保证。
3、此外，在sar影像跨分辨率语义分割中，通常使用单分辨率影像数据作为训练模型的输入。然而，单分辨率处理方法主要依赖于统一的影像分辨率进行特征提取和分析，这种方法可能无法充分利用sar影像在不同分辨率下展现的地物特征。由于缺乏对不同尺度地物特征的捕捉，单分辨率方法可能导致模型泛化能力不佳，尤其在面对复杂
4、公开号为cn118097148a的专利申请文件，公开了一种基于颜色匹配cam模型的弱监督sar影像水体语义分割方法、系统、设备及介质，这种方法的核心在于通过自适应分辨率特征学习模型的自适应弱监督学习，使语义分割模型能够在仅有部分标签的情况下学习到跨分辨率的sar影像地物特征。但是该方法仍然需要标注某一种分辨率中的所有影像，这仍然需要大量时间和人力。
技术实现思路
1、为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于对比自监督学习的sar影像跨分辨率语义分割方法、系统、设备及介质，通过基于多分辨率分析和对比学习的创新方法，能够同时捕捉地物的局部细节和整体结构，并在少量标记数据下进行有效的特征学习，具有增强模型对不同尺度变化的敏感性，提高鲁棒性、准确性，以及降低对大量人工标注数据依赖的优点。
2、为了实现上述目的，本专利技术采取的技术方案是：
3、一种基于对比自监督学习的sar影像跨分辨率语义分割方法，包括以下步骤：
4、步骤1，采集两种分辨率不同的sar影像，所述两种分辨率包括a分辨率和b分辨率；
5、步骤2，将步骤1中的每种分辨率的sar影像按照相对大小裁剪，以使a分辨率裁剪后得到的每一个影像和b分辨率裁剪后得到的影像对应同一地区的同一位置，并将其作为一组对比对，作为正样本使用，a分辨率裁剪后得到的每一个影像和b分辨率裁剪后得到的影像对应同一地区的不同位置，构成对比对，作为负样本使用；然后仅对正样本对比对的一部分对比对进行标注，得到部分有标记的数据，其余为未标记数据；
6、步骤3，选取特征提取器，并设计损失函数，使用特征提取器提取的特征对步骤2得到的所有的未标记数据进行聚类，包括对未标记数据中的同类地物的不同分辨率的影像进行聚类以形成类簇，同时通过区分各类的类簇，学习各类地物特征的本质表示，通过最小化损失函数动态更新特征提取器；
7、步骤4，将步骤3中动态更新后的特征提取器冻结，对步骤2得到的部分有标记的数据，进行特征提取，得到高维特征；并且设置下游任务，将高维特征输入至分类器中进行训练，得到分割模型；
8、步骤5，利用步骤4得到的分割模型进行语义分割，得到语义分割结果；
9、步骤6，合并步骤5的语义分割结果，并得到最终的分割影像。
10、所述步骤2的具体方法为：
11、步骤2.1，确定裁剪块尺寸；选择并分析不同尺寸裁剪后数据集的纯度，即每个影像块中主要地物类别所占的比例，选择纯度最高的裁剪尺寸作为最终确定的裁剪尺寸；
12、步骤2.2，数据裁剪；对于选定的sar影像，根据步骤2.1中确定的裁剪块尺寸进行裁剪，形成影像块；采用有重叠裁剪策略，每次移动一定的步长，以确保影像块之间存在重叠区域；
13、步骤2.3，构建跨分辨率sar影像对比对；分别把对应同一地物的两种分辨率影像组成为一组对比对；
14、步骤2.4，对步骤2.3构建的跨分辨率sar影像对比对进行部分标注，得到部分有标记的数据和未标记数据。
15、所述步骤3的具体方法为：
16、步骤3.1，选取特征提取器；
17、步骤3.2，特征提取与编码：使用数据增强技术对步骤2得到的所有的未标记数据进行处理，得到多个增强样本，将所述增强样本输入至步骤3.1的特征提取器，提取增强样本的低级空间特征；通过投影头模块进一步提取高级语义特征，投影头模块由不同尺度的卷积核和池化层组成；
18、步骤3.3，构建与匹配原型集：构建原型集模块，所述原型集模块包含k个原型向量，分别记作{c1,c2,c3,c4...ck}，作为聚类任务的类簇中心，将步骤3.2提取的高级语义特征与原型集进行匹配，为每个特征向量确定一个聚类编码z，这些编码将作为特征的代表性表示；
19、步骤3.4，构建损失函数与交换预测：定义交换预测问题的损失函数，该函数包含两项：从特征zt预测编码qs和从特征zs预测编码qt,损失函数为：
20、
21、上式包含从特征zt预测编码qs及从特征zs预测编码qt的两项，每项表示编码和概率的交叉熵损失，其中概率由特征zi与原型集中所有原型的点积得到；其中用于度量特征z与编码q间的距离，具体形式如下：
22、
23、其中，
24、
25、其中，τ表示温度参数，ck表示原始类簇中心，ck'表示更新后的类簇中心；
26、上述表示训练样例集中一对对比对的情况；令τ表示多视角样例变换集合，xnt表示影像样本xn的第t个视角样例，对应得到的影像特征向量及编码分别是znt和qnt，xns表示影像样本xn的第s个视角样例，对应得到的影像特征向量及编码分别是zns和qns，表示将影像特征znt映射到上得到ck的编码，t为转置符号；将上式应用于n幅影像及成对的数据扩充，得到如下交换预测问题的整体损失函数：
27、
28、步骤3.5，网络训练与优化；通过最小化步骤3.4得到的整体损失函数训练特征提取器和聚类任务网络，整体损失函数包括重建损失、分类损失和领域自适应损失；使用反向传播算法更新网络参数，包括原型集模块和特征提取器的参数，以优化特征表示和聚类中心的一致性，在训练过程中动态更新原型集模本文档来自技高网...
【技术保护点】
1.一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，所述步骤2的具体方法为：
3.根据权利要求1所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，所述步骤3的具体方法为：
4.根据权利要求1所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，所述步骤4中冻结聚类阶段的特征提取器，用于分割任务的特征提取，并训练下游的分类器的具体步骤如下：
5.根据权利要求1所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，所述步骤5的具体方法为：
6.根据权利要求1所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法，其特征在于，所述步骤6的具体方法为：
7.基于权利要求1至6任一项所述方法的一种基于对比自监督学习的SAR影像跨分辨率语义分割系统，其特征在于，包括：
8.一种基于对比自监督学习的SAR影像跨分辨率
9.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现权利要求1-6任一项所述的一种基于对比自监督学习的SAR影像跨分辨率语义分割方法。
...【技术特征摘要】
1.一种基于对比自监督学习的sar影像跨分辨率语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于对比自监督学习的sar影像跨分辨率语义分割方法，其特征在于，所述步骤2的具体方法为：
3.根据权利要求1所述的一种基于对比自监督学习的sar影像跨分辨率语义分割方法，其特征在于，所述步骤3的具体方法为：
4.根据权利要求1所述的一种基于对比自监督学习的sar影像跨分辨率语义分割方法，其特征在于，所述步骤4中冻结聚类阶段的特征提取器，用于分割任务的特征提取，并训练下游的分类器的具体步骤如下：
5.根据权利要求1所述的一种基于对比自监督学习的sar...
【专利技术属性】
技术研发人员：任仲乐，高树林，侯彪，李卫斌，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。