一种基于低秩特征解耦的小样本遥感图像语义分割方法

本发明属于遥感图像解译和机器学习领域，具体涉及一种基于低秩特征解耦的小样本遥感图像语义分割方法。

背景技术：

1、遥感图像语义分割技术是智能解译的重要环节，其根据分割物体内部的一致性或相似性特征，将遥感影像逐像素的进行类别划分，其在国土资源统计、资源勘查等领域都有重要的应用价值。当前主流的有监督深度学习方法依赖于大量标注数据，在依托于数据的任务中取得了不错的性能，但是高分遥感地物目标分割数据集的构建需要专家进行精准研判，并且需要消耗大量的人力物力。因此，小样本遥感图像语义分割任务具有重要的研究价值，其难点在于如何从有限的支持图像中提取分割线索，克服目标对象的类内差异性、类间相似性，实现小样本条件下的新类别的快速泛化。

2、现有小样本图像语义分割算法分为基于元学习的方法和基于模型微调的方法。基于元学习的方法在测试时依赖于支持集作为输入，该方法存在两个问题：（1）该范式每次模型测试都需要进行构建对应查询集用于目标类别匹配，并且识别支持集中的样本类别；（2）该范式无法进行多类别分割，其只能分割单一新类别目标，且无法分割模型学习过的基类目标。上述问题导致基于元学习的小样本分割范式无法在真实场景下大规模的使用。基于模型微调的方法虽然能够同时实现基类和新类目标的分割，但是由于遥感图像的复杂性，直接对模型进行微调学习存在以下两个难题：（1）在学习新类别的过程中，模型对于基类地物目标识别的精度大幅下降；（2）在学习新类别地物的后期，模型会对于小样本的训练集产生严重的过拟合。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于低秩特征解耦的小样本遥感图像语义分割方法，通过将基类和新类学习的特征进行解耦，能够解决模型在微调过程中对于基类目标分割效果下降的问题；提出低秩微调卷积层，将可训练的卷积核参数低秩分解，能够有效降低模型微调的参数量，进一步有效解决模型对于新类的过拟合问题，该方法对于提升小样本遥感图像分割的准确率有重要的研究意义。

2、为实现上述目的，本发明采取的技术方案如下：

3、一种基于低秩特征解耦的小样本遥感图像语义分割方法，包括以下步骤：

4、步骤1、在包含基类地物目标标注的大规模数据集上训练，得到基类地物分割模型；

5、步骤2、保留基类地物分割模型中的编码器和基类分割解码器结构，引入一个新类分割解码器用于新类地物分割，且所述新类分割解码器的卷积层采用低秩微调卷积层；

6、步骤3、对所述新类分割解码器进行训练，训练过程中冻结基类地物分割模型中编码器和基类分割解码器，只更新新类分割解码器的低秩微调卷积层参数，实现由基类分割解码器产生的基类地物分割预测结果与由新类分割解码器产生的新类地物分割预测结果解耦；

7、步骤4、将步骤3输出的基类地物的分割预测结果和新类地物分割预测结果进行融合，以生成包含所有类别的最终分割结果。

8、本发明的有益效果在于：通过采用低秩微调卷积层，提升优化效率并降低内存需求，减少微调时对于小样本新类别的过拟合风险；通过采用基类和新类两阶段解耦学习的优化方法，在保持遥感图像原有地物知识的同时，提高了模型对于新类类别的学习效果；进一步通过融合基类和新类地物分割预测结果图，实现了精确的多类别遥感图像地物分割。

技术特征：

1.一种基于低秩特征解耦的小样本遥感图像语义分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于低秩特征解耦的小样本遥感图像语义分割方法，其特征在于，所述步骤1包括：

3.根据权利要求1所述的一种基于低秩特征解耦的小样本遥感图像语义分割方法，其特征在于，所述步骤2包括：

4.根据权利要求1所述的一种基于低秩特征解耦的小样本遥感图像语义分割方法，其特征在于，所述步骤3包括：

5.根据权利要求1所述的一种基于低秩特征解耦的小样本遥感图像语义分割方法，其特征在于，所述步骤4包括：

技术总结本发明提供了一种基于低秩特征解耦的小样本遥感图像语义分割方法，包括以下步骤：在包含基类地物目标标注的大规模数据集上训练，得到基类地物分割模型；保留基类地物分割模型中的编码器和基类分割解码器结构，引入一个新类分割解码器用于新类地物分割，且所述新类分割解码器的卷积层采用低秩微调卷积层；对所述新类分割解码器进行训练，冻结基类地物分割模型中编码器和基类分割解码器，只更新新类分割解码器的低秩微调卷积层参数；将输出的基类地物的分割预测结果和新类地物分割预测结果进行融合，以生成包含所有类别的最终分割结果。所述方法在不影响基类地物分割结果的情况下，显著提高了小样本条件下新类地物分割的准确率。技术研发人员：尹继豪,王麒雄,冯家齐,姜鸿翔受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/7/29