[发明专利]一种遥感图像的农用地语义分割方法

说明书

本发明公开了一种遥感图像的农用地语义分割方法，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；计算所有负样本与基准锚样本之间的相似度，将与基准锚样本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损失；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，更新神经网络模型参数；将遥感图像输入训练好的神经网络模型，输出语义分割结果。本发明加入假负样本自判定，抛弃引入无监督或放弃构建负样本的办法，实现对假负样本的近似判定和校准。

技术领域

本发明属于遥感技术领域，尤其涉及一种遥感图像的农用地语义分割方法。

背景技术

农用地是直接或间接为农业生产所利用的土地，又称农用地，包括耕地、园地、林地、牧草地、养殖水面、坑塘水面、农田水利设施用地，以及田间道路和其他一切农业生产性建筑物占用的土地等。为保护农业用地，需要遥感卫星采集的图像，对农用地进行识别，防止农用地的用途发生变更。自监督学习作为一种潜在的学习范式，可通过免标签的方式实现遥感影像不变性特征的自主学习。现有的遥感影像自监督对比学习的基本原理建立在以正负样本对为约束学习遥感影像不变性特征。然而，由于遥感影像地物的丰富性和上下文的复杂性，同一个patch存在正负样本共存，且分布不均衡的现象，进而导致对比学习的基本机制：推远负样本，拉近正样本存在严重的偏差：也即推远负样本的同时也推远了正样本，反之亦然。我们称之为样本混淆问题(Samples Confounding Issue(SCI))。

以监督学习方式训练的深度神经网络模型在遥感图像场景分类，目标检测，语义分割等任务取得了让人印象深刻的进展。这种方法对海量、高质量标注样本的依赖已经成为大范围应用的瓶颈。自监督对比学习的兴起使得从海量无标签遥感数据中自主学习影像的不变性特征成为可能。

自监督对比学习方法的核心思想是巧妙的通过旋转，缩放，随机颜色失真，高斯模糊等空间和光谱变换的数据增强方法得到同一张影像地物的副本作为正样本，其他非同类影像作为负样本，通过拉近正样本同时推远负样本来构建监督信号，而不是人工标注作为监督信号，迫使深度神经网络获得空间，光谱和尺度不变性表征。

然而，由于遥感影像具有场景复杂性，地物丰富性，分布不均衡性等特点，存在同一个patch(图像块)存在正负样本共存且极不均衡的现象，进而导致对比学习的基本机制：推远负样本，拉近正样本存在严重的偏差：也即推远负样本的同时也推远了正样本，反之亦然。我们称之为样本混淆问题(Samples Confounding Issue(SCI))。由SCI带来的模型的性能损失，我们称之为(Samples Confounding Effect(SCE))，其中包含正样本的负样本影像patch由于给模型错误的反馈信号，因此被称为假负样本(False Negative Sample)。

目前解决自监督对比学习假负样本问题的方法主要从样本的视角进行考虑，可以分为两类：一类从提高负样本构建质量入手，在原始自监督对比学习的基础上附加其他无监督方法，利用附加的无监督结果指导自监督模型构建更高质量的正负样本对(PCL等)。但在遥感影像处理中，采用附加的无监督聚类方法，往往难以更好提升正负样本对的构建质量，反而可能引入相关无监督方法的缺陷，因为遥感影像包含的地物常常存在样本不平衡，类内差异且类间相似等问题，导致无监督聚类方法的效果不佳。

第二类方法则考虑放弃构建负样本(如Barlow twins等)，这意味着模型的性能将仅依赖于构建得到的正样本。考虑到假负样本本质上是数据集中已存在的正样本，所以这类方法虽然完全避免了产生假负样本，但也意味着模型将无法利用数据集中已存在的正样本，一定程度上降低了模型提取不变性特征的能力。

发明内容