CN113269092A - 基于多尺度条件对抗网络的海上溢油检测方法 - Google Patents
基于多尺度条件对抗网络的海上溢油检测方法 Download PDFInfo
- Publication number
- CN113269092A CN113269092A CN202110577515.8A CN202110577515A CN113269092A CN 113269092 A CN113269092 A CN 113269092A CN 202110577515 A CN202110577515 A CN 202110577515A CN 113269092 A CN113269092 A CN 113269092A
- Authority
- CN
- China
- Prior art keywords
- scale
- generator
- training
- countermeasure network
- oil spill
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于多尺度条件对抗网络的海上溢油检测方法属于溢油检测领域,解决了小样本训练条件下检测精度低的问题。其步骤为:(1)构建小样本训练集;(2)构建多尺度条件对抗网络;(3)取一样本对并降采样至不同尺度,分别作为各级对抗网络的输入分量;(4)对抗训练按由粗到精的尺度逐级独立进行,生成器损失函数引入边缘约束项以增强边缘检测效果;(5)当前尺度生成器的输出作为下一尺度生成器的输入分量;(6)重复步骤(3)至(5),循环遍历训练集至预设的训练次数;(7)将测试集的溢油图像输入多尺度生成器模型,输出溢油检测结果。综上,图像多尺度特征的有效融合,边缘约束项对边缘检测的增强,保证了小样本训练下的溢油检测性能。
Description
技术领域
本发明涉及海上溢油检测领域,具体涉及一种基于多尺度条件对抗网络的溢油检测方法。
背景技术
海上溢油检测技术是一项极具特色的前沿技术,在海洋灾害遥感监测领域占据重要地位。合成孔径雷达(SAR)作为海上溢油监测的主要传感器,具有全天时、全天候、穿透力强、覆盖范围广等特点,能够有效获取溢油区域的位置信息。基于SAR图像的溢油检测技术在溢油范围评估、漂移扩散预测及溢油处置决策中发挥至关重要的作用。近年来,深度学习算法在SAR图像溢油检测中表现优异,可实现端到端的自动检测机制。然而,现阶段的深度学习溢油检测技术依赖训练数据驱动。卫星重访周期长、海洋应急部门处置回收等原因使得大量的SAR溢油数据难以获取,溢油图像样本稀缺成为制约深度学习检测精度的瓶颈。如何在小样本训练条件下,有效实现高精度的溢油检测,是海洋灾害遥感监测领域的挑战性难题。
发明内容
本发明的目的在于提供一种基于多尺度条件对抗网络的海上溢油检测方法,解决小样本训练条件下检测精度低的问题。
为了实现上述目的,本发明的技术方案为:
(1)构建小样本SAR溢油图像训练集。
小样本训练集X由SAR溢油图像样本集XI和与其对应的标签集XS组成,即X={XI,XS}。
(2)构建多尺度条件对抗网络,作为主体模型。
多尺度条件对抗网络{(G0,D0),(G1,D1),…,(GN,DN)}由一系列具有不同输入尺度的对抗网络级联而成,共包含N+1组条件对抗网络。第n组对抗网络包含一个生成器Gn和一个判别器Dn。Gn旨在生成尽量真实的溢油检测结果,Dn则尽力区分生成的检测结果与真实检测结果。
(3)取一个训练样本对,降采样至不同尺度,分别作为各级对抗网络的输入分量。
取样本对(I0,S0)并通过因子rn降采样得到{(I1,S1),(I2,S2),…,(IN,SN)}分别作为多尺度条件对抗网络{(G0,D0),(G1,D1),…,(GN,DN)}的输入分量。
(4)对抗训练按由粗到精的尺度逐级独立进行,生成器损失函数引入边缘约束项以增强边缘检测效果。
判别器Dn的损失函数为:
生成器Gn的损失函数为:
(5)当前尺度生成器的输出作为下一尺度生成器的输入分量,最后一级生成器输出溢油检测结果,第n+1级生成器的输出表示为:
多尺度条件对抗网络最终的输出表示为:
(6)重复步骤(3)至(5),循环遍历训练集至预设的训练次数,得到训练好的多尺度生成器模型。
(7)将测试集的SAR溢油图像输入多尺度生成器模型,输出溢油检测结果。
较之现有技术,本发明的有益效果在于:
(1)多尺度策略全面捕获溢油图像特征,从全局和局部的角度全面地描述溢油,展示了小数据基特征表示的多样性;
(2)利用多尺度的溢油图像独立训练各级条件对抗网络,当前尺度生成器的输出作为下一更精细尺度生成器的输入分量,由粗到精级联的数据流增强了生成模型的表示力;
(3)生成器损失函数中引入边缘约束项,通过稀疏度运算得到边缘约束项中交叉熵损失的权重,提高了模型对溢油区域边缘特征的提取。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见文中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,还可使用或产生其他附图。
图1为本发明基于多尺度条件对抗网络溢油检测方法的流程示意图;
图2为本发明方法的多尺度条件对抗网络结构图;
图3为本发明方法的生成器网络结构图;
图4为本发明方法的判别器网络结构图;
图5为本发明方法的稀疏度计算模式图;
图6为本发明方法的SAR溢油图像检测效果图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本实施例的基于多尺度条件对抗网络的溢油检测方法,流程图如图1所示,该方法具体包括以下步骤:
(1)构建小样本SAR溢油图像训练集。
小样本训练集X由SAR溢油图像样本集XI和与其对应的标签集XS组成,即X={XI,XS}。XI包含四幅具有不同特征的SAR溢油图像,XS为根据专家经验信息进行人工标注的真实溢油区域检测结果。
(2)构建多尺度条件对抗网络,作为主体模型,如图2所示,具体为:
多尺度条件对抗网络{(G0,D0),(G1,D1),…,(GN,DN)}由一系列具有不同输入尺度的对抗网络级联而成,共N+1组对抗网络。第n(1≤n≤N+1)组对抗网络包含一个生成器Gn和一个判别器Dn。Gn旨在生成尽量真实的溢油检测结果,Dn则尽力区分生成的检测结果与真实检测结果。
(3)取一样本对并降采样至不同尺度,分别作为各级对抗网络的输入分量。
所取样本对(I0,S0)及通过因子rn降采样得到的{(I1,S1),(I2,S2),…,(IN,SN)}分别作为多尺度条件对抗网络{(G0,D0),(G1,D1),…,(GN,DN)}的输入分量。数据输入从第N+1级对抗网络开始,第N+1级生成器GN的输出表示为:
(4)对抗训练按由粗到精的尺度逐级独立进行,生成器损失函数引入边缘约束项以增强边缘检测效果。以(Gn,Dn)组的训练过程为例,和分别表示Dn和Gn的总体损失函数。判别器Dn的损失函数包含两个分量:对抗损失项和梯度惩罚项具体表示为:
训练判别器Dn的损失函数为:
ωi由Sn的每个元素与周边元素计算出的稀疏度经softmax运算后得到,为保证Sn的边界元素参与运算,在Sn周围填充宽度为(k-1)/2的矩阵元素,填充数值为Sn边界元素的均值,以元素为中心取尺寸为k×k的矩阵Ri作为稀疏度分析单元,则的稀疏度值ai可表示为:
边缘约束权重系数ωi表示为:
训练生成器Gn的损失函数为:
(5)当前尺度生成器的输出作为下一尺度生成器的输入分量,最后一级生成器输出溢油检测结果。如图3所示,令Cn代表Gn中的全卷积网络结构,Cn由五个模块构成,每个模块包含一个卷积层和一个激活层。代表上采样后的图像,第n+1级生成器Gn的输出表示为:
如图4所示,判别器Dn的网络结构包含五个全卷积模块,前四个模块分别包含一个卷积层和一个激活层,第五个模块只包含一个卷积层。第n+1级判别器的输出表示为:
多尺度条件对抗网络最终的检测结果输出表示为:
(6)重复步骤(3)至(5),循环遍历训练集至预设的训练次数,当迭代训练次数达到预设要求时停止训练过程,得到训练好的多尺度生成器模型。
(7)将测试集的SAR溢油图像输入多尺度生成器模型,输出溢油检测结果。
本发明使用步骤(1)构建的训练集进行模型训练,使用训练集之外的SAR溢油图像进行测试。图6为利用本发明方法对SAR溢油图像(上图)进行检测的检测结果(下图)。在小样本集训练条件下,本发明提供的基于多尺度条件对抗网络的溢油检测方法取得了良好的检测效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于多尺度条件对抗网络的海上溢油检测方法,其特征在于包括以下步骤:
(1)构建小样本SAR溢油图像训练集;
(2)构建多尺度条件对抗网络,作为主体模型;
(3)取一个训练样本对,降采样至不同尺度,分别作为各级对抗网络的输入分量;
(4)对抗训练按由粗到精的尺度逐级独立进行,生成器损失函数引入边缘约束项以增强边缘检测效果;
(5)当前尺度生成器的输出作为下一尺度生成器的输入分量,最后一级生成器输出溢油检测结果;
(6)重复步骤(3)至(5),循环遍历训练集至预设的训练次数,得到训练好的多尺度生成器模型;
(7)将测试集的SAR溢油图像输入多尺度生成器模型,输出溢油检测结果。
3.根据权利要求1所述的基于多尺度条件对抗网络的海上溢油检测方法,其特征在于所述的步骤(4)具体为:
训练判别器Dn的损失函数为:
ωi由Sn的每个元素与周边元素计算出的稀疏度经softmax运算后得到,为保证Sn的边界元素参与运算,在Sn周围填充宽度为(k-1)/2的矩阵元素,填充数值为Sn边界元素的均值,以元素为中心取尺寸为k×k的矩阵Ri作为稀疏度分析单元,则的稀疏度值ai可表示为:
边缘约束权重系数ωi表示为:
训练生成器Gn的损失函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577515.8A CN113269092A (zh) | 2021-05-26 | 2021-05-26 | 基于多尺度条件对抗网络的海上溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577515.8A CN113269092A (zh) | 2021-05-26 | 2021-05-26 | 基于多尺度条件对抗网络的海上溢油检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269092A true CN113269092A (zh) | 2021-08-17 |
Family
ID=77232892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577515.8A Pending CN113269092A (zh) | 2021-05-26 | 2021-05-26 | 基于多尺度条件对抗网络的海上溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269092A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN109345469A (zh) * | 2018-09-07 | 2019-02-15 | 苏州大学 | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN111489304A (zh) * | 2020-03-27 | 2020-08-04 | 天津大学 | 一种基于注意机制的图像去模糊方法 |
CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
-
2021
- 2021-05-26 CN CN202110577515.8A patent/CN113269092A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN109345469A (zh) * | 2018-09-07 | 2019-02-15 | 苏州大学 | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN111489304A (zh) * | 2020-03-27 | 2020-08-04 | 天津大学 | 一种基于注意机制的图像去模糊方法 |
CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
Non-Patent Citations (4)
Title |
---|
TAMAR ROTT SHAHAM ET AL: ""SinGAN: Learning a Generative Model from a Single Natural Image"", 《ARXIV》 * |
余兴瑞: "基于数据扩增式深度学习的遥感图像分析", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
李英等: "基于生成对抗网络的多用途图像增强鲁棒算法", 《计算机应用与软件》 * |
温佩芝等: "基于卷积神经网络改进的图像自动分割方法", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
Pan et al. | Improving Nowcasting of convective development by incorporating polarimetric radar variables into a deep‐learning model | |
Wang et al. | Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study | |
CN108764063B (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN110427836B (zh) | 一种基于多尺度优化的高分辨率遥感影像水体提取方法 | |
CN112308019A (zh) | 基于网络剪枝和知识蒸馏的sar舰船目标检测方法 | |
CN113160234A (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
CN106326926B (zh) | 一种高光谱图像目标光谱学习方法 | |
CN114254767A (zh) | 基于Stacking集成学习的气象水文特征预测方法及系统 | |
Zhu et al. | Fusion of multisensor SSTs based on the spatiotemporal hierarchical Bayesian model | |
CN115393741A (zh) | 基于无人机低空采样的地物分类人工智能识别方法及其系统 | |
El-Alem et al. | Ensemble-based systems to monitor algal bloom with remote sensing | |
Bao et al. | Correction of satellite sea surface salinity products using ensemble learning method | |
Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
CN113269092A (zh) | 基于多尺度条件对抗网络的海上溢油检测方法 | |
CN117152435A (zh) | 一种基于U-Net3+的遥感语义分割方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
Sharma et al. | Semi-automated workflow for mapping the extent and elevation profile of intertidal zone of parts of Gulf of Kutch, India, using landsat time series data | |
Xie et al. | Machine-Learning-Method-Based Inversion of Shallow Bathymetric Maps Using ICESat-2 ATL03 Data | |
Wang et al. | Forecasting tropical cyclone tracks in the northwestern Pacific based on a deep-learning model | |
Geiss et al. | Strictly enforcing invertibility and conservation in CNN-based super resolution for scientific datasets | |
Goh et al. | MAESSTRO: Masked Autoencoders for Sea Surface Temperature Reconstruction under Occlusion | |
Yin et al. | Estimating subpixel turbulent heat flux over leads from MODIS thermal infrared imagery with deep learning | |
Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210817 |
|
WD01 | Invention patent application deemed withdrawn after publication |