本發(fā)明涉及計算機視覺和遙感圖像處理領(lǐng)域，具體涉及一種基于雙向遞歸注意力金字塔和多判別器模塊的無監(jiān)督域適應方法，用于高分辨率遙感圖像的語義分割。

背景技術(shù)：

1、隨著無人機和遙感技術(shù)的快速發(fā)展，高分辨率遙感圖像在基礎(chǔ)設(shè)施規(guī)劃、土地管理、城市變化檢測等領(lǐng)域得到了廣泛應用。語義分割作為遙感圖像處理中的關(guān)鍵技術(shù)，旨在將圖像中的每個像素劃分為預定義的類別。然而，由于遙感圖像的復雜性和多樣性，傳統(tǒng)的監(jiān)督學習方法需要大量的標注數(shù)據(jù)，且在實際應用中難以應對不同域之間的差異。

2、無監(jiān)督域適應——以下記作uda方法通過利用源域的標注數(shù)據(jù)來適應目標域的無標注數(shù)據(jù)，從而減少對目標域標注數(shù)據(jù)的依賴。然而，現(xiàn)有的uda方法在處理遙感圖像時面臨以下挑戰(zhàn)：

3、域偏移問題：源域和目標域之間的特征分布差異較大，導致模型在目標域上的性能下降。

4、特征對齊的顆粒度不足：現(xiàn)有方法在特征對齊時往往忽略了細粒度的語義信息，導致模型對復雜場景的適應能力不足。

5、為了解決上述問題，本發(fā)明提出了一種基于雙向遞歸注意力金字塔和多判別器模塊的無監(jiān)督域適應方法，通過多尺度金字塔分解、遞歸雙向注意力橋和動態(tài)門控融合器實現(xiàn)源域和目標域之間的細粒度特征交互，并利用多判別器模塊進一步提升特征的判別能力，從而有效解決域偏移問題。

6、與自然圖像相比，遙感圖像在顏色、紋理、空間分辨率和場景內(nèi)容方面表現(xiàn)出更大的跨域差異。這些差異歸因于以下兩個事實：第一，遙感圖像的光譜異質(zhì)性高于在rgb波段獲取的自然圖像。此外，遙感圖像的結(jié)構(gòu)信息更豐富，而目標尺度變化更顯著。因此，這些uda方法的性能不太令人滿意時，直接應用到大的變化，在相機的角度，圖像分辨率，尤其是遙感傳感器的數(shù)量和品種在過去十年中大幅增長，更高質(zhì)量的vhr數(shù)據(jù)的可用性進一步擴大了不同領(lǐng)域之間的差異。最近，一些基于dl的uda方法已被用于遙感任務。例如，ganai是第一個基于gan的uda算法，旨在對航空圖像進行語義分割，而triada引入了一種類感知的自訓練技術(shù)來增強其可識別性。wtic進一步研究了vhr遙感圖像中的不變語義特征，并通過合并多個弱監(jiān)督約束提出了一種動態(tài)訓練策略。最近，設(shè)計了配備基于cnn的淺層特征提取器的子空間對齊，以探索和對齊豐富的語義向量子空間，其中可以進一步表示和分析復雜的圖像內(nèi)容。特別是，ccagan采用全局和類別級別的對抗性損失，通過在域適應期間采用負遷移和用于處理深層特征的類別注意力模塊來增強局部語義一致性。盡管這些開創(chuàng)性的工作在跨域語義分割方面表現(xiàn)良好，但它們在處理遙感圖像時仍面臨兩個主要問題。首先，現(xiàn)有方法在雙域信息交互方面存在不足，未能充分挖掘源域和目標域之間的潛在關(guān)聯(lián)，導致特征對齊效果受限。這主要是因為遙感圖像的復雜性，包括其光譜異質(zhì)性、豐富的結(jié)構(gòu)信息以及顯著的目標尺度變化，使得簡單的特征對齊策略難以捕捉到源域和目標域之間復雜的語義關(guān)系。其次，特征對齊的顆粒度較為粗略，無法精準捕捉到細粒度的語義信息，從而影響了模型對復雜場景的適應能力和分割精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于雙向遞歸注意力金字塔——以下記作brap和多判別器模塊——以下記作mdm的無監(jiān)督域適應方法，用于高分辨率遙感圖像的語義分割。該方法通過brap模塊實現(xiàn)源域和目標域之間的細粒度特征交互，并利用mdm進一步提升特征的判別能力，從而有效解決域偏移問題。

2、為實現(xiàn)上述目的，本發(fā)明的一個實施例提供了一種基于雙向遞歸注意力金字塔和多判別器模塊的無監(jiān)督域適應方法，包括以下步驟：

3、s1：獲取標記的源域數(shù)據(jù)集和未標記的目標域數(shù)據(jù)集；

4、s2：通過特征提取器從源域和目標域數(shù)據(jù)中提取多級特征；

5、s3：將提取的特征輸入到雙向遞歸注意力金字塔模塊中，通過多尺度金字塔分解、遞歸雙向注意力橋和動態(tài)門控融合器完成雙域特征交互；

6、所述雙向遞歸注意力金字塔模塊包括多尺度金字塔分解、遞歸雙向注意力橋、動態(tài)門控融合器，其中多尺度金字塔分解將特征圖分解為多尺度特征圖，各級尺寸為1×1、3×3、6×6、原始尺寸，遞歸雙向注意力橋通過層級間正向與逆向注意力傳遞實現(xiàn)跨域閉環(huán)交互，動態(tài)門控融合器通過動態(tài)門控權(quán)重聚合各尺度特征；

7、s4：通過多判別器模塊對交互后的特征進行判別；

8、所述多判別器模塊包括特征判別器、對抗判別器和類別判別器，其中特征判別器用于混淆雙域特征，對抗判別器用于實現(xiàn)整體特征的對抗學習，類別判別器從類別層級完成特征對抗，進一步提升特征的判別能力；

9、s5：通過定義的分割損失、全局特征差異損失、領(lǐng)域混淆損失和對抗損失進行反向傳播計算；

10、s6：將訓練完成的模型部署至目標域，實現(xiàn)對目標域高分辨率遙感圖像的語義分割。

11、進一步地，所述雙向遞歸注意力金字塔模塊由多尺度金字塔分解單元、遞歸雙向注意力交互單元及動態(tài)門控融合單元三部分組成，其中多尺度金字塔分解單元用于將源域與目標域特征分解為不同粒度的層級表示，遞歸雙向注意力交互單元通過跨層級閉環(huán)傳遞實現(xiàn)雙域語義與細節(jié)的深度耦合，動態(tài)門控融合單元通過自適應權(quán)重聚合各層級對齊特征以輸出統(tǒng)一的跨域適配結(jié)果。

12、進一步地，所述多尺度金字塔分解單元通過空間金字塔池化策略將輸入特征圖分解為四層不同分辨率的特征表示，包括1×1的全局語義描述子、3×3的中等局部結(jié)構(gòu)特征、6×6的細粒度細節(jié)特征及原始尺寸的高分辨率特征，分別覆蓋遙感圖像中從宏觀場景到微觀目標的尺度差異，同時保留原始分辨率特征以避免小目標信息丟失。

13、進一步地，所述遞歸雙向注意力交互單元在三次迭代中實現(xiàn)跨層級閉環(huán)交互，具體包括正向傳遞與逆向傳遞兩條路徑：正向傳遞中，源域低層特征的查詢與鍵作用于目標域高層特征的值矩陣，將全局語義注入目標域細節(jié)特征；逆向傳遞中，目標域高層特征的查詢與鍵作用于源域低層特征的值矩陣，將適配后的局部信息反饋至源域全局特征；在此過程中，通過交叉域殘差連接將目標域值矩陣與源域查詢矩陣混合，保留跨域共性與差異性，確保特征對齊的穩(wěn)定性。

14、進一步地，所述動態(tài)門控融合單元對各層級的對齊特征進行上采樣后，基于特征相似度動態(tài)分配權(quán)重，優(yōu)先保留對齊質(zhì)量高的層級特征，最終通過加權(quán)融合生成適配后的高分辨率特征；該單元通過全局平均池化生成錨定特征作為權(quán)重計算基準，結(jié)合softmax函數(shù)自適應調(diào)整各層級貢獻，從而平衡多尺度特征在跨域適配中的重要性差異，提升模型對復雜場景的魯棒性。

15、進一步地，所述全局特征差異損失lglobal通過計算源域和目標域高級對齊特征圖之間的差異得到；領(lǐng)域混淆損失ldc通過將源域真值標簽作為目標域真值，混淆雙域域特征分布，計算目標域預測結(jié)果域源域真值標簽的差異；分割損失lseg計算源域特征與真值邊界差異得到；類別混淆損失lmc比較雙域類別特征在高維再生核希爾伯特空間中的均值差異。

16、進一步地，所述特征對抗損失ladv通過判別特征來源于源域還是目標域訓練判別器能力，實現(xiàn)整體特征對抗；類別對抗損失lamc從類別層級上判斷特征來源實現(xiàn)細粒度的特征對齊。

17、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

18、本發(fā)明通過雙向遞歸注意力金字塔交互模塊和多判別器模塊，解決了現(xiàn)有無監(jiān)督域適應方法在遙感圖像語義分割中的不足。brap通過雙域間的多尺度金字塔雙向閉環(huán)交互捕捉源域和目標域之間的全局-局部依賴關(guān)系，實現(xiàn)細粒度的特征交互。mdm通過多個判別器從不同角度對特征進行判別，進一步提升特征的判別能力，從而有效解決域偏移問題，提高模型在目標域的分割性能。