CN112381730A - 一种遥感影像数据扩增方法 - Google Patents

一种遥感影像数据扩增方法 Download PDF

Info

Publication number
CN112381730A
CN112381730A CN202011263669.1A CN202011263669A CN112381730A CN 112381730 A CN112381730 A CN 112381730A CN 202011263669 A CN202011263669 A CN 202011263669A CN 112381730 A CN112381730 A CN 112381730A
Authority
CN
China
Prior art keywords
network
remote sensing
image data
data
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011263669.1A
Other languages
English (en)
Other versions
CN112381730B (zh
Inventor
张曼
李�杰
沈霁
叶曦
穆文涛
黎泽清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai aerospace computer technology research institute
Original Assignee
Shanghai aerospace computer technology research institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai aerospace computer technology research institute filed Critical Shanghai aerospace computer technology research institute
Priority to CN202011263669.1A priority Critical patent/CN112381730B/zh
Publication of CN112381730A publication Critical patent/CN112381730A/zh
Application granted granted Critical
Publication of CN112381730B publication Critical patent/CN112381730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种遥感影像数据扩增方法包括如下步骤1获取遥感影像数据并对目标区域进行标注、提取，得到遥感目标切块数据；2利用遥感目标切块数据对生成对抗网络进行训练与改进得到生成对抗优化网络；3基于生成对抗优化网络对噪声进行处理，得到新形状特征的遥感目标切块扩增数据；4利用区域生长和二值化对遥感目标切块扩增数据进行处理，最终得到仿真遥感影像数据。本发明利用基于深度学习技术的生成对抗网络方法，可生成具有新特征信息的遥感目标切块扩增数据，有效提升目标检测的性能；改进生成对抗网路结构，以增大生成图像分辨率，提高生成图像质量；基于二次掩模法，可自定义目标位置和大小，实现仿真遥感影像数据自主可控生成。

Description

一种遥感影像数据扩增方法
技术领域
本发明属于遥感领域图像数据领域，尤其涉及一种遥感影像数据扩增方法。
背景技术
遥感图像目标检测可为军事侦察提供重要战略信息。目前主流的遥感图像目标检测技术基本是基于深度学习算法提出的，如Faster-RCNN、SSD、YOLO、FCN等算法，都是利用复杂网络模型及海量标注数据，实现遥感目标的高精度检测。
深度学习技术虽然在目标检测任务上取得了很大进步，但是其仍然存在许多的问题，其中最为明显的问题是深度学习目标检测网络中大量参数，需要海量标注数据进行训练更新。数据采集非常困难，标注数据过程更是需要非常大的人工成本及其耗时。小样本问题就成为深度学习目标检测任务的一大阻碍。
因此，现有技术中采用样本扩增的方式，实现利用已有少量数据样本得到大量与其精度相当的训练数据样本。目标检测领域，样本扩增的方法均属于传统样本扩增方法，主要利用旋转、颜色抖动、模糊处理和缩放等基本图像处理方式进行数据增强。现有技术中的样本扩增方法实现较为简单，但是由于其没有真正的产生新的特征信息，导致样本扩增后的新数据特征信息不够丰富，不能充分的训练网络，对目标检测算法的性能提升作用有限。
发明内容
本发明的技术目的是提供一种遥感影像数据扩增方法，以解决目标检测算法性能不足的技术问题。
为解决上述问题，本发明的技术方案为：
一种遥感影像数据扩增方法，包括如下步骤：
S1：获取遥感影像数据并对目标区域进行标注，得到目标标注信息，基于目标标注信息对遥感影像数据进行目标区域提取，得到遥感目标切块数据；
S2：利用遥感目标切块数据对生成对抗网络进行训练与改进，得到生成对抗优化网络；
S3：基于生成对抗优化网络对噪声进行处理，得到具有遥感目标新颜色特征、亮度特征、形状特征的遥感目标切块扩增数据；
S4：利用区域生长方法和二值化技术对遥感目标切块扩增数据进行处理，得到目标切块二值图，基于目标切块二值图、遥感影像数据和遥感目标切块扩增数据，得到仿真遥感影像数据，从而实现遥感影像数据扩增。
其中，步骤S1中，基于目标标注信息对遥感影像数据进行目标区域提取包括以下步骤:
A1：基于目标标注信息，得到目标区域在遥感影像数据中的坐标；
A2：基于目标区域的坐标将目标区域进行切割，得到遥感目标切块数据。
其中，步骤S2中，生成对抗网络包括生成网络和鉴别网络，利用遥感目标切块数据对生成对抗网络进行训练与改进得到生成对抗优化网络包括以下步骤：
基于遥感目标切块数据对生成对抗网络进行训练；
通过生成网络的误差和鉴别网络的误差和鉴别网络的鉴别概率以实现生成网络和鉴别网络的网络参数更新；
当鉴别网络的鉴别概率到达阈值时，结束训练，得到网络模型权重参数。
其中，鉴别网络包括第一鉴别网络和第二鉴别网络，通过生成网络的误差和鉴别网络的误差和鉴别网络的鉴别概率以实现生成网络和鉴别网络的网络参数更新包括以下步骤：
B1：固定生成网络的参数，输入随机噪声至生成网络，得到第一生成图像，将真实图像和第一生成图像输入至第一鉴别网络进行训练，根据第一鉴别网络输出的概率值与误差，更新第一鉴别网络的参数，其中，真实图像为遥感目标切块数据；
B2：固定第二鉴别网络的参数，第二鉴别网络的参数同步第一鉴别网络的参数，输入随机噪声至生成网络，得到第二生成图像，将第二生成图像输入至第二鉴别网络，根据第二鉴别网络输出的概率值与误差，更新生成网络的参数；
B3：重复步骤B1和B2，若第二鉴别网络输出的鉴别概率值到达阈值，则结束训练，得到网络模型权重参数。
具体地，生成网络的误差公式为
Figure BDA0002775435290000031
鉴别网络的误差公式为
Figure BDA0002775435290000032
其中,x服从pr(x)分布，即x∈pr(x)，z为噪声，z服从随机分布pz(z)，D(x)为真实图像鉴别概率，D(G(z))为生成图像的鉴别概率。
具体地，生成网络结构依次为5层反卷积层，5层反卷积层的卷积核大小均为5×5，步长均为2，卷积核个数由1024且逐层减小，每层卷积核个数为上一层的1/2。
具体地，第一鉴别网络、第二鉴别网络结构均为依次设置的5层卷积层和1层多特征图特征融合层，5层卷积层的卷积核大小均为5×5，步长均为2，其中，多特征图特征融合层将按顺序的后3层卷积层的特征进行融合，归一化尺寸大小为4×4的特征图。
其中，步骤S4包括以下步骤：
S41：以遥感目标切块扩增数据的中心点为种子点，通过区域生长方法，从遥感目标切块扩增数据分离出目标图像，并对目标图像二值化处理得到目标切块二值图；
S42：对遥感影像数据裁剪为固定长宽的遥感影像数据，并剔除遥感影像数据内的目标图像，得到遥感背景图；
S43：通过二次掩模法，基于目标切块二值图、遥感背景图和遥感目标切块扩增数据得到仿真遥感影像数据。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明采用基于深度学习技术的生成对抗网络法，利用反卷积学习遥感目标切块数据的细节信息，相比现有技术中的样本扩增方法，本发明的方法可生成具有新特征信息的遥感目标切块扩增数据，可有效提升目标检测的性能；
本发明基于深度生成对抗算法(DCGAN)进行优化，结合多特征图特征融合技术进行网络结构优化，具体地，在生成网络与鉴别网络中增加一层网络结构，以增大生成图像分辨率，在鉴别网络中加入多特征图特征融合层，融合三种尺度特征，提高生成对抗网络生成图像的质量；
本发明中基于二次掩模法使得仿真遥感影像数据生成，利用生成优化网络生成遥感目标切块扩增数据，结合掩模图像与背景图像生成新样本，根据自定义的目标生成位置与目标图像大小生成图像标签，实现遥感影像与标签信息自主生成。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明一实施例的一种遥感影像数据扩增方法流程示意图；
图2为本发明一实施例的生成对抗网络工作流程示意图；
图3为本发明一实施例的仿真遥感影像数合成流程示意图；
图4为本发明一实施例的生成网络结构图；
图5为本发明一实施例的鉴别网络结构图；
图6为本发明一实施例的遥感目标切块效果图；
图7为本发明一实施例的目标切块二值图效果图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
以下结合附图和具体实施例对本发明提出的一种遥感影像数据扩增方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
参看图1，本实施例提供一种遥感影像数据扩增方法，包括如下步骤：
一种遥感影像数据扩增方法，包括如下步骤：
S1：获取遥感影像数据并对目标区域进行标注，得到目标标注信息，基于目标标注信息对遥感影像数据进行目标区域提取，得到遥感目标切块数据；
S2：利用遥感目标切块数据对生成对抗网络进行训练与改进，得到生成对抗优化网络；
S3：基于生成对抗优化网络对噪声进行处理，得到具有遥感目标新颜色特征、亮度特征、形状特征的遥感目标切块扩增数据；
S4：利用区域生长方法和二值化技术对遥感目标切块扩增数据进行处理，得到目标切块二值图，基于目标切块二值图、遥感影像数据和遥感目标切块扩增数据，得到仿真遥感影像数据，从而实现遥感影像数据扩增。
现结合说明书附图对本实施例进行详细说明：
基于深度学习技术的遥感图像目标检测算法需要大量数据样本来提升检测精度，而遥感数据获取渠道少，因此需要对少量的样本进行扩增，以达到深度学习的大样本需求。参看图1和图2，在本实施例中，步骤S1具体如下，首先获取现有遥感影像数据，用于充当图像扩增的原材料。具体地，通过对地观测卫星图像采集装置得到遥感影像数据，当然，遥感影像数据如何得到不加以限制，利用标注工具对遥感影像数据进行标签标注，对标注后的遥感影像数据进行切割。具体地，基于遥感影像数据的标注信息得到目标在遥感影像中的坐标，目标为遥感影像中的飞机、船只等需要进行定位检测的单位，基于目标单位的左上角坐标与右下角坐标将目标切块切割出来，得到只包含飞机或船只等其中一种的遥感目标切块数据。每张遥感影像数据均有与之相对应的标签，标签通过上述提到的标注得到，每张遥感影像数据的标签包括该遥感影像数据中所有目标的类别与坐标信息，标签具体格式为：Id_name x1 y1 x2 y2，其中，Id_name表示该目标类别，(x1，y1)表示目标左上角坐标，(x2，y2)表示目标右下角坐标。
参看图1，在本实施例中，步骤S2具体为：对分割得到的遥感目标切块数据作为生成对抗网络的训练集进行训练，更新网络模型权重参数，同时结合多特征图特征融合技术改进生成对抗网络，以得到生成对抗优化网络。具体地，本实施例中的生成对抗网络包括生成网络、第一鉴别网络和第二鉴别网络，其中，第一鉴别网络与第二鉴别网络结构一致，因此后续撰写中仅对其中一种鉴别网络进行说明。
具体地，参看图4，在本实施例中，生成网络的结构为按数据处理顺序依次设置的5层反卷积层，第一反卷积层的反卷积核大小为5×5，步长为2，卷积核个数为1024，将尺寸4×4的图像转化为尺寸8×8的图像；第二反卷积层的反卷积核大小为5×5，步长为2，卷积核个数为512，将尺寸8×8的图像转化为尺寸16×16的图像；第三反卷积层的反卷积核大小为5×5，步长为2，卷积核个数为256，将尺寸16×16的图像转化为尺寸32×32的图像；第四反卷积层反卷积核大小为5×5，步长为2，卷积核个数为128，将尺寸32×32的图像转化为尺寸64×64的图像；第五反卷积层的反卷积核大小为5×5，步长为2，卷积核个数为64，将尺寸64×64的图像转化为尺寸128×128的图像。
另外，参看图5，在本实施例中，鉴别网络的结构为按数据处理顺序依次设置的5层卷积层以及1层多特征图特征融合层。其中，第一卷积层的卷积核大小为5×5，以步长为2实现下采样，将尺寸128×128的图像转化为尺寸64×64的图像；第二卷积层的卷积核大小为5×5，以步长为2实现下采样，将尺寸64×64的图像转化为尺寸32×32的图像；第三卷积层的卷积核大小为5×5，以步长为2实现下采样，将尺寸32×32的图像转化为尺寸16×16的图像；第四卷积层卷积核大小为5×5，以步长为2实现下采样，将尺寸16×16的图像转化为尺寸8×8的图像；第五卷积层的卷积核大小为5×5，以步长为2实现下采样，将尺寸8×8的图像转化为尺寸4×4的图像。此外，将经过第三层卷积层的图像进行大小为4×4，步长为4的最大池化，将64张16×16的图像归一化到32张尺寸为4×4的特征图至多特征图特征融合层，将经过第四层卷积层的图像进行大小为2×2，步长为2的最大池化，将128张8×8的图像归一化到64张尺寸为4×4的特征图至多特征图特征融合层，将经过第五层卷积层的图像直接输入至多特征图特征融合层，即多特征图特征融合层为融合上述三种图像，并进行reshape，变为4×4×224大小的特征向量，后续用于分类器进行判别。
参看图2，在本实施例中，现对生成对抗网络的工作流程进行详细说明，将遥感目标切块数据作为生成对抗网络的训练集，利用生成网络误差与鉴别网络误差的和，以对生成对抗网络进行参数更新。具体地，生成网络以达到生成图像使得鉴别网络鉴别错误为最终目的，而鉴别网络则最大化区别生成图像与真实图像，真实图像即为遥感目标切块数据，通过生成网络与鉴别网络相互制约，最终达到纳什均衡，此时得到的生成优化网络可以用于生成具有新特征信息的遥感目标切块扩增数据。整体的训练过程分为两个阶段：
第一阶段，固定生成网络的参数，训练以更新第一鉴别网络参数。随机噪声输入生成网络后，得到生成图像，设置生成图像的标签为0，之后固定生成网络参数，不再进行数据传递。标签为0的生成图像与标签为1的真实图像一起作为第一鉴别网络的训练数据集，进行网络训练。第一鉴别网络相当于一个二元分类器，根据第一鉴别网络输出概率值与实际标签0、1之间的误差，更新第一鉴别网络的参数。
第二阶段，固定第二鉴别网络参数，训练更新生成网络参数。上一阶段训练结束的第一鉴别网络与第二鉴别网络进行参数共享，将上阶段训练得到的参数直接迁移到第二鉴别网络中。因此，第二鉴别网络与第一鉴别网络具有相同的鉴别能力。第二阶段中，噪声经生成网络得到生成图像，标签不再标记为0，而是标记为1，认为生成的为真实图像，目的是促使生成网络将随机噪声朝着接近真实图像的方向拟合。使用生成图像与对应标签1作为训练集训练第二鉴别网络，固定第二鉴别网络的参数，只更新生成网络的参数，提高生成网络的图像生成能力，生成出第二鉴别网络难以分辨生成图像，以达到第二鉴别网络无法区别的水平。
循环重复这两个阶段，直到第一鉴别网络和第二鉴别网络都无法分辩出生成图像与真实图像，此时，第一鉴别网络和第二鉴别网络输出的鉴别概率值达到阈值，即接近0.5时，结束训练，得到生成对抗优化网络。
另外，上述生成对抗优化网络训练误差为生成网络误差与鉴别网络误差。其中，生成网络的误差计算公式为
Figure BDA0002775435290000081
x服从pr(x)分布，即x∈pr(x)，z为噪声，z服从随机分布pz(z)，D(x)为真实图像鉴别概率，D(G(z))为生成图像的鉴别概率；鉴别网络的误差计算公式为
Figure BDA0002775435290000082
其中,x服从pr(x)分布，即x∈pr(x)，z为噪声，z服从随机分布pz(z)，D(x)为真实图像鉴别概率，D(G(z))为生成图像的鉴别概率。
参看图1和图3，在本实施例中，步骤S3将噪声输入至步骤S2中的生成优化网络，从而得到具有新特征的遥感目标切块扩增数据。
参看图3、图6和图7，在本实施例中，步骤S4将步骤S3中得到的若干遥感目标切块扩增数据分别取各自的中心点作为目标种子点，进行区域生长，勾勒出遥感目标切块扩增数据的轮廓，将目标从遥感目标切块扩增数据中分离，并进行二值化处理，得到目标切块二值图，目标部分为白色，非目标部分为黑色。参看图6，图中目标为飞机处为白色，其余部分为黑色。参看图7，将遥感目标切块数据与目标切块二值图掩模，得到边缘不规则的目标图像信息，最后两次掩模的结果相加，将目标图像信息不限数量与位置地融合到遥感图像背景图中，得到仿真遥感影像数据，根据仿真遥感影像数据中目标的坐标得到相对应的目标标注信息，从而实现遥感影像数据扩增。
较优地，还对基于本实施例生成的仿真遥感影像数据进行评估步骤，以确保生成的仿真遥感影像数据能够使基于深度学习技术的遥感图像目标检测算法能够准确识别。具体步骤为：将仿真遥感影像数据作为YOLO目标检测算法的训练集，依据真实目标标签信息与预测标签信息差值为目标函数，反向更新YOLO模型参数值；当目标函数变化趋近为零时，结束训练，保存网络参数；利用训练结束的YOLO模型，预测测试集(测试集即真实观测得到的遥感影像数据)的目标类别与位置，得到评估结果。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (8)

1.一种遥感影像数据扩增方法，其特征在于，包括如下步骤：
S1：获取遥感影像数据并对目标区域进行标注，得到目标标注信息，基于所述目标标注信息对所述遥感影像数据进行目标区域提取，得到遥感目标切块数据；
S2：利用所述遥感目标切块数据对生成对抗网络进行训练与改进，得到生成对抗优化网络；
S3：基于所述生成对抗优化网络对噪声进行处理，得到具有遥感目标新颜色特征、亮度特征、形状特征的遥感目标切块扩增数据；
S4：利用区域生长方法和二值化技术对所述遥感目标切块扩增数据进行处理，得到目标切块二值图，基于所述目标切块二值图、所述遥感影像数据和所述遥感目标切块扩增数据，得到仿真遥感影像数据，从而实现遥感影像数据扩增。
2.根据权利要求1所述的遥感影像数据扩增方法，其特征在于，所述步骤S1中，所述基于所述目标标注信息对所述遥感影像数据进行目标区域提取包括以下步骤:
A1：基于所述目标标注信息，得到目标区域在所述遥感影像数据中的坐标；
A2：基于目标区域的所述坐标将目标区域进行切割，得到所述遥感目标切块数据。
3.根据权利要求1所述的遥感影像数据扩增方法，其特征在于，所述步骤S2中，所述生成对抗网络包括生成网络和鉴别网络，所述利用所述遥感目标切块数据对生成对抗网络进行与改进得到生成对抗优化网络包括以下步骤：
基于所述遥感目标切块数据对所述生成对抗网络进行训练；
通过所述生成网络的误差和所述鉴别网络的误差和所述鉴别网络的鉴别概率以实现所述生成网络和所述鉴别网络的网络参数更新；
当所述鉴别网络的鉴别概率到达阈值时，结束训练，得到所述网络模型权重参数。
4.根据权利要求3所述的遥感影像数据扩增方法，其特征在于，所述鉴别网络包括第一鉴别网络和第二鉴别网络，所述通过所述生成网络的误差和所述鉴别网络的误差和所述鉴别网络的鉴别概率以实现所述生成网络和所述鉴别网络的网络参数更新包括以下步骤：
B1：固定所述生成网络的参数，输入随机噪声至所述生成网络，得到第一生成图像，将真实图像和所述第一生成图像输入至所述第一鉴别网络进行训练，根据所述第一鉴别网络输出的概率值与误差，更新所述第一鉴别网络的参数，其中，所述真实图像为所述遥感目标切块数据；
B2：固定所述第二鉴别网络的参数，所述第二鉴别网络的参数同步所述第一鉴别网络的参数，输入随机噪声至所述生成网络，得到第二生成图像，将所述第二生成图像输入至所述第二鉴别网络，根据所述第二鉴别网络输出的概率值与误差，更新所述生成网络的参数；
B3：重复所述步骤B1和B2，若所述第二鉴别网络输出的鉴别概率值到达阈值，则结束训练，得到所述网络模型权重参数。
5.根据权利要求4所述的遥感影像数据扩增方法，其特征在于，所述生成网络的误差公式为
Figure FDA0002775435280000021
所述鉴别网络的误差公式为
Figure FDA0002775435280000022
其中,x服从pr(x)分布，即x∈pr(x)，z为噪声，z服从随机分布pz(z)，D(x)为真实图像鉴别概率，D(G(z))为生成图像的鉴别概率。
6.根据权利要求3所述的遥感影像数据扩增方法，其特征在于，所述生成网络结构依次为5层反卷积层，5层所述反卷积层的卷积核大小均为5×5，步长均为2，卷积核个数由1024且逐层减小，每层卷积核个数为上一层的1/2。
7.根据权利要求3所述的遥感影像数据扩增方法，其特征在于，所述第一鉴别网络、所述第二鉴别网络结构均为依次设置的5层卷积层和1层多特征图特征融合层，5层所述卷积层的卷积核大小均为5×5，步长均为2，其中，所述多特征图特征融合层将按顺序的后3层所述卷积层的特征进行融合，归一化尺寸大小为4×4的特征图。
8.根据权利要求1所述的遥感影像数据扩增方法，其特征在于，所述步骤S4包括以下步骤：
S41：以所述遥感目标切块扩增数据的中心点为种子点，通过区域生长方法，从所述遥感目标切块扩增数据分离出目标图像，并对所述目标图像二值化处理得到所述目标切块二值图；
S42：对所述遥感影像数据裁剪为固定长宽的遥感影像数据，并剔除所述遥感影像数据内的目标图像，得到所述遥感背景图；
S43：通过二次掩模法，基于所述目标切块二值图、所述遥感背景图和所述遥感目标切块扩增数据得到所述仿真遥感影像数据。
CN202011263669.1A 2020-11-12 2020-11-12 一种遥感影像数据扩增方法 Active CN112381730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011263669.1A CN112381730B (zh) 2020-11-12 2020-11-12 一种遥感影像数据扩增方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011263669.1A CN112381730B (zh) 2020-11-12 2020-11-12 一种遥感影像数据扩增方法

Publications (2)

Publication Number Publication Date
CN112381730A true CN112381730A (zh) 2021-02-19
CN112381730B CN112381730B (zh) 2024-02-02

Family

ID=74583543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011263669.1A Active CN112381730B (zh) 2020-11-12 2020-11-12 一种遥感影像数据扩增方法

Country Status (1)

Country Link
CN (1) CN112381730B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392782A (zh) * 2021-06-18 2021-09-14 中国石油大学(华东) 面向弱小目标检测的遥感影像深度学习训练样本增强方法
CN113641600A (zh) * 2021-07-26 2021-11-12 珠海格力电器股份有限公司 数据请求优化方法、装置及应答模式通信系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070124A (zh) * 2019-04-15 2019-07-30 广州小鹏汽车科技有限公司 一种基于生成式对抗网络的图像扩增方法及系统
WO2019238560A1 (en) * 2018-06-12 2019-12-19 Tomtom Global Content B.V. Generative adversarial networks for image segmentation
CN111415316A (zh) * 2020-03-18 2020-07-14 山西安数智能科技有限公司 基于生成对抗网络的缺陷数据合成算法
CN111666994A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 样本图像数据增强方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019238560A1 (en) * 2018-06-12 2019-12-19 Tomtom Global Content B.V. Generative adversarial networks for image segmentation
CN110070124A (zh) * 2019-04-15 2019-07-30 广州小鹏汽车科技有限公司 一种基于生成式对抗网络的图像扩增方法及系统
CN111415316A (zh) * 2020-03-18 2020-07-14 山西安数智能科技有限公司 基于生成对抗网络的缺陷数据合成算法
CN111666994A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 样本图像数据增强方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUFAN WEI ET AL: "An improved unsupervised representation learning generative adversarial network for remote sensing image scene classification", 《REMOTE SENSING LETTERS》 *
刘波宁: "基于双鉴别网络的生成对抗网络的图像修复方法", 《计算机应用》 *
双锴: "《计算机视觉》", 31 January 2020 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392782A (zh) * 2021-06-18 2021-09-14 中国石油大学(华东) 面向弱小目标检测的遥感影像深度学习训练样本增强方法
CN113641600A (zh) * 2021-07-26 2021-11-12 珠海格力电器股份有限公司 数据请求优化方法、装置及应答模式通信系统

Also Published As

Publication number Publication date
CN112381730B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN109711288B (zh) 基于特征金字塔和距离约束fcn的遥感船舶检测方法
CN109409263B (zh) 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
Tan et al. Automatic extraction of built-up areas from panchromatic and multispectral remote sensing images using double-stream deep convolutional neural networks
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN106650690A (zh) 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
Hormese et al. Automated road extraction from high resolution satellite images
CN104463203B (zh) 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN110413824A (zh) 一种相似图片的检索方法及装置
CN109919145B (zh) 一种基于3d点云深度学习的矿卡检测方法及系统
CN106897681A (zh) 一种遥感图像对比分析方法及系统
Hussain et al. A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition
CN112381730B (zh) 一种遥感影像数据扩增方法
CN111931581A (zh) 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质
CN112686902A (zh) 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法
Nahar et al. Fingerprint classification using deep neural network model resnet50
CN116205879A (zh) 一种基于无人机图像及深度学习的小麦倒伏面积估算方法
CN109657728A (zh) 样例生产方法及模型训练方法
Williams et al. Three-dimensional segmentation of trees through a flexible multi-class graph cut algorithm (MCGC)
CN106250901A (zh) 一种基于图像特征信息的数字识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant