申请/专利权人：内蒙航天动力机械测试所

申请日：2023-12-22

公开（公告）日：2024-03-29

公开（公告）号：CN117788307A

主分类号：G06T5/50

分类号：G06T5/50;G06T5/60;G06V10/20;G06V10/44;G06N3/0475;G06N3/094;G06N3/045;G06N3/044;G06V20/10;G06V10/52;G06V10/80;G06V10/143;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及图像分析样本增强技术领域，具体涉及一种顾及草原植被物候性的自学习样本增强方法，包括循环生成对抗网络设计,判别网络设计,样本增强网络结构设计,样本增强模型设计。利用多尺度判别的生成对抗提升模型的表征学习能力；将来源于不同时相不同传感器的图像域样本输入不同的生成网络，通过循环一致生成损失保证增强样本和输入样本具有一致的内容表达，实现更好的多时相多传感器数据的样本增强。本发明减小了草原植被覆盖数据在样本增强中的光谱细节丢失；增强了多时相多传感器数据的特征匹配；本发明采用循环生成一致技术学习SAR图像和无云光学图像的映射关系，更好的支持草原植被覆盖检测任务。

主权项：1.一种顾及草原植被物候性的自学习样本增强方法，其特征在于，具体步骤如下：S1：循环生成对抗网络设计,将其中一个图像域定义为X域，另一个定义为Y域，引入一组生成对抗网络，负责将X域中的图像转化为Y域中的图像，定义该转化过程X→Y为映射A，其输出为x∈X，为X域中的真实图像，为映射A为了将x转化为Y域对应的目标图像y而得到的转化图像，将映射A输出的图像形成的集合称为域，其中，S2：判别网络设计,利用多尺度判别特征的生成对抗提升模型的表征学习能力，该网络包括一个局部判别网络和一个全局判别网络，判别网络以真实的遥感图像样本和生成的风格转换样本作为输入，输出0到1范围内的一个概率值，概率值越接近1表示输入样本与真实样本越相似；S3：样本增强网络结构设计,样本增强网络结构包括生成网络和判别网络两部分，生成网络同时采用残差模块和密集连接模块以增强特征层间的信息连接，判别网络利用多尺度判别特征的生成对抗提升模型的表征学习能力，生成网络生成的转换样本要求去欺骗判别网络，通过两个网络连续地对抗训练，风格转换样本越来越接近真实的遥感图像样本，直到判别网络难以区分真实样本和转换样本；S4：样本增强模型设计,采用基于生成对抗网络GAN的模型进行设计,生成对抗网络由生成网络和判别网络组成，生成网络生成新的数据实例，判别网络负责对数据实例的真实性进行评估，当网络对判别器进行训练时，生成器的参数保持不变，当对生成器进行训练时，判别器的参数保持不变。

全文数据：

权利要求：

百度查询： 内蒙航天动力机械测试所 一种顾及草原植被物候特性的自学习样本增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD