[发明专利]一种遥感影像编码器训练、解译方法及装置、介质、设备

权利要求书

1.一种遥感影像编码器训练方法，其特征在于，包括以下步骤：

步骤S10，获取大量无标签的遥感影像数据并对数据进行预处理，以将影像数据转为LAB颜色空间的数据；再对数据进行分组，得到训练集和验证集；

步骤S20，构建生成器模型及损失函数，再将少量的所述训练集样本输入至生成器模型中进行n次预训练，以生成训练好的生成器模型；所述生成器模型包括编码器和解码器；

步骤S30，构建判别器模型并初始化参数；将来自生成器预训练产生的预测数据集与所述训练集的部分样本混合后，再输入至判别器模型中进行训练，以生成训练好的判别器模型；其中，损失函数用于在训练中计算预测结果与实际结果的误差；

步骤S40，将验证集输入至训练好的生成器模型与判别器模型中进行再次训练；

步骤S50，重复步骤S20～S40，直至验证集训练得到的预测误差下降不明显时结束训练，从而获得生成器中训练好的编码器。

2.根据权利要求1所述的遥感影像编码器训练方法，其特征在于，步骤10中，对数据进行预处理包括以下步骤：

数据增强步骤；包括对影像数据进行切割、平移、旋转、翻转、镜像对称、对角线反折、尺度变换中的一种或多种操作；

颜色空间转换步骤；将增强后的数据转为LAB颜色空间的数据集，并取L波段的灰度图作为待预测影像数据，保留LAB通道的原始影像作为标签；

归一化步骤；对转为LAB颜色空间的数据集进行归一化处理，并将像素值压缩至-1～1。

3.根据权利要求1所述的遥感影像编码器训练方法，其特征在于：构建损失函数包括以下步骤：

构建L1损失函数，其公式如下：

L_L1(G)＝E_x,y,z[||y-G(x,z)||₁]；

其中，G为生成器，x为灰度图，z为输入生成器的噪声，y为真实影像；

构建条件GAN损失函数，其公式如下:

L_cGAN(G,D)＝E_x,y[logD(x,y)]+E_x,z[log(1-D(x,G(x,z)))]；

其中，G为生成器，D为判别器，x为灰度图，z为输入生成器的噪声，y既为生成器的预测也为真实影像；

则训练过程中的L1和条件GAN混合损失函数公式如下：

其中λ为用于平衡L1损失与条件GAN损失的系数，该损失函数构建的目标为最小化生成器损失的同时最大化判别器损失。

4.根据权利要求1所述的遥感影像编码器训练方法，其特征在于：构建生成器模型包括：

构建ResNet-34卷积神经网络模型作为编码器；构建DeepLabV3+作为解码器；再结合编码器和解码器作为生成器模型。

5.根据权利要求1所述的遥感影像编码器训练方法，其特征在于：构建判别器模型包括选择马尔科夫判别器(PatchGAN),所述马尔科夫判别器为一个由五层卷积层组成的卷积神经网络。

6.根据权利要求1所述的遥感影像编码器训练方法，其特征在于：步骤S20～S40的训练过程中，还加入有AdamW优化器，以便加速训练。

7.一种遥感影像的解译方法，其特征在于，包括以下步骤：

获取带人工标签的遥感影像数据集，并对数据进行预处理；再将数据分为训练集和验证集；

构建语义分割模型和损失函数，并将训练集和验证集输入至语义分割模型中进行训练；所述语义分割模型包括编码器和解码器相结合，其中，编码器采用如权利要求1-6任一项所述的遥感影像编码器训练方法来获得；

将处理的遥感影像数据输入至训练好的语义分割模型中精确分割，以对遥感影像进行自动解译。