[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

说明书

本发明涉及遥感影像的技术领域，特别涉及一种遥感影像编码器训练、解译方法及装置、介质、设备；该方法包括：获取遥感影像数据并将影像数据转为LAB颜色空间的数据，再分组得到训练集和验证集；构建生成器模型、判别器模型及损失函数，分别将训练集样本输入至生成器模型、判别器模型中训练；再将验证集输入至训练好的生成器模型与判别器模型中，以获得生成器中训练好的编码器。本发明提供的编码器训练方法应用在遥感影像技术中，能够将编码器预训练部分由传统的使用分类任务更改为影像上色任务，使得编码器预训练无需使用带人工标注标签的数据集。在大幅度减少人力工时的同时，还能省去知识蒸馏步骤，能够有效提高训练效率和遥感影像解译效果。

技术领域

本发明涉及遥感影像的技术领域，特别涉及一种遥感影像编码器训练、解译方法及装置、介质、设备。

背景技术

随着遥感探测技术、计算机技术的不断发展，遥感应用大规模普及，对智能化遥感信息的提取技术出现了前所未有的需求。特别对于获取到海量的遥感影像数据时，其包含的信息是不完备、不确定的，因此需要对遥感影像的内容进行遥感影像解译。

现有的遥感影像解译方法一般是采用编码器进行解译，而为了避免未经训练的编码器提取的特征大量重复，因此需要使用大量影像数据对编码器进行预训练后再用于解译。而在预训练所使用的数据集上，目前市面上大部分预训练编码器大多使用ImageNet等非遥感影像数据集并采用分类任务训练预训练模型，因ImageNet中影像为日常生活场景中所拍摄影像，会导致以此类数据集训练的编码器提取的影像特征中除遥感影像特征外还包含大量无用特征，这些无用特征会使得遥感影像特征不够明显。为了解决此问题，传统的方法是需要对模型进行知识蒸馏，去除过滤其它类型影像相关特征后，仅提取、保留遥感影像相关的特征，而该过程则会消耗额外的时间与开发资源。另一种方法是直接使用带标签的遥感影像基于影像分类任务进行编码器的预训练，该方法无需知识蒸馏，但目前在公开渠道上，这类带标签的遥感影像数据集较少，要构建满足预训练需求的数据集需要投入大量的人工成本进行影像标注来获得标签。

发明内容

为解决上述现有技术中对编码器预训练需要耗费大量时间和人工成本的不足，本发明提供一种遥感影像编码器训练方法，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。

在一实施例中，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。

在一实施例中，构建损失函数包括以下步骤：

构建L1损失函数，其公式如下：