[发明专利]一种遥感图像的农用地语义分割方法

权利要求书

1.一种遥感图像的农用地语义分割方法，其特征在于，包括以下步骤：

获取多张遥感图像作为样本；

选取特征空间中距离较近的正样本对中的锚样本作为基准锚样本o_key；

在特征空间中计算所有负样本与基准锚样本o_key之间的相似度，将与基准锚样本o_key相似度最高的负样本判定为可能的假负样本；

将可能假负样本n_pf中的这部分真负样本作为遥感影像自监督对比学习中模型依赖的真难负样本；

设计假负样本置信校准Loss，通过置信权重α降低可能假负样本n_pf对模型损失函数负样本项的贡献，增加可能假负样本n_pf对模型损失函数正样本项的贡献；

利用标注的样本、训练神经网络模型，神经网络模型的预测和数据的真实标签产生损失后进行反向传播，计算梯度、更新神经网络模型参数；

将新采集的遥感图像输入训练好的神经网络模型，输出农用地的语义分割结果。

2.根据权利要求1所述的遥感图像的农用地语义分割方法，其特征在于，o_key满足的条件为：

sim(o_key,p)T

其中，T表示正样本对相似度阈值，用以控制正样本对在特征空间中的接近程度，o_key为基准的锚样本，其对应的正样本记为p，sim(·,·)表示计算两个样本的特征相似度。

3.根据权利要求2所述的遥感图像的农用地语义分割方法，其特征在于，在特征空间中计算所有负样本与基准锚样本o_key之间的相似度，将与基准锚样本o_key相似度最高的负样本判定为可能的假负样本，判定条件如下式表示：

|sim(o_key,n_pf)-sim(o_key,p)|→min|sim(o_key,n)-sim(o_key,p)|

n表示待判定的负样本，n_pf表示可能的假负样本。

4.根据权利要求3所述的遥感图像的农用地语义分割方法，其特征在于，所述真难负样本满足：

n_pf＝n_f+n_h

n_f表示假负样本，n_h表示模型依赖的真难负样本。

5.根据权利要求4所述的遥感图像的农用地语义分割方法，其特征在于，当判定得到的可能假负样本数量为N_pf，N_pfN时，N为一个锚样本所对应的负样本数量，假负样本置信校准损失函数被定义为：

其中，为正样本信号增强项，记为S_EP，为假负样本信号减弱项，记为S_WN，二者与原始信号组成了新的正样本信号项S_P和新的负样本信号项S_N，α为置信权重，是第j个可能的假负样本，nⁱ是第i个除可能假负样本以外的负样本，o是锚样本。

6.根据权利要求5所述的遥感图像的农用地语义分割方法，其特征在于，当置信权重α＝0时，意味着模型假负样本自区分的正样本信号增强项和假负样本信号减弱项均为0；当置信权重α＝1时，意味着完全信任模型自区分得到的可能假负样本，并将得到的所有可能假负样本调整为正样本拉近，同时完全消除这部分可能假负样本对原始损失函数负样本项的贡献。

7.根据权利要求1所述的遥感图像的农用地语义分割方法，其特征在于，所述神经网络模型为自监督对比学习神经网络，至少包括CPC、DIM，SimCLR，PCL和Barlow twins之一。