一种深度学习模型、土地覆盖分类方法及装置

本发明涉及遥感信息，具体而言，涉及一种深度学习模型、土地覆盖分类方法及装置。

背景技术：

1、土地覆盖分类是指将卫星遥感图像按照其地表特征分为不同的类别，如水体、森林、农田等，土地覆盖分类是卫星遥感图像分析的重要任务之一，在环境监测、资源管理、城市规划等领域具有广泛的应用价值。

2、然而，由于土地覆盖分类涉及到大范围的地球表面，卫星遥感数据在不同的区域、不同时间上存在很大的差异，导致现有的土地覆盖分类模型在跨域跨时间分类问题上存在一定的局限性，训练好的土地覆盖分类模型对不同区域或不同时间的卫星遥感数据进行土地覆盖分类时，精度不够，不能提供正确的土地覆盖分类结果。

技术实现思路

1、本发明解决的问题是如何提高土地覆盖分类的精度，以提供正确的土地覆盖分类结果。

2、为解决上述问题，本发明提供一种深度学习模型、土地覆盖分类方法及装置。

3、第一方面，本发明提供了一种深度学习模型，包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块；

4、所述对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据，生成相似目标域数据和相似源域数据；

5、所述对比学习模块用于处理所述源域数据、所述目标域数据、所述相似目标域数据和所述相似源域数据，获得源域光谱特征和目标域光谱特征；

6、所述图卷积神经网络模块用于处理所述源域光谱特征和所述目标域光谱特征，得到土地覆盖分类信息；

7、所述输出模块用于解码所述土地覆盖分类信息，得到土地覆盖分类结果。

8、可选地，所述对抗学习模块包括源域生成单元、目标域生成单元、源域判别单元以及目标域判别单元，所述源域生成单元与所述目标域判别单元连接，所述目标域生成单元与所述源域判别单元连接；

9、所述源域生成单元用于根据所述源域数据生成所述相似目标域数据，并生成第一循环损失，进而根据所述第一循环损失，更新所述源域生成单元的权重；

10、所述目标域生成单元用于根据所述目标域数据生成所述相似源域数据，并生成第二循环损失，进而根据所述第二循环损失，更新所述目标域生成单元的权重；

11、所述源域判别单元用于判别所述相似源域数据和所述源域数据的正确性，并生成第一对抗损失，进而根据所述第一对抗损失，更新所述源域判别单元的权重；

12、所述目标域判别单元用于判别所述相似目标域数据和所述目标域数据的正确性，并生成第二对抗损失，进而根据所述第二对抗损失，更新所述目标域判别单元的权重。

13、可选地，所述源域判别单元和所述目标域判别单元均采用光谱空间模型，所述光谱空间模型包括光谱判别器和空间判别器；

14、所述光谱判别器用于在光谱角度判别正确性；

15、所述空间判别器用于在空间角度判别正确性。

16、可选地，所述对比学习模块包括第一编码器、第二编码器以及对比损失单元；

17、所述第一编码器用于提取所述源域数据的第一源域光谱子特征和所述相似目标域数据的第二源域光谱子特征，所述第一源域光谱子特征和所述第二源域光谱子特征融合为所述源域光谱特征；

18、所述第二编码器用于提取所述目标域数据的第一目标域光谱子特征和所述相似源域数据的第二目标域光谱子特征，所述第一目标域光谱子特征和所述第二目标域光谱子特征融合为所述目标域光谱特征；

19、所述对比损失单元用于获取所述第一编码器和所述第二编码器的对比损失，并根据所述对比损失更新所述第一编码器和所述第二编码器的权重，其中，所述第一编码器和所述第二编码器共享权重。

20、可选地，还包括邻接矩阵模块，所述邻接矩阵模块的输入端与所述对比学习模块的输出端连接，所述邻接矩阵模块的输出端与所述图卷积神经网络模块的输入端连接；

21、所述邻接矩阵模块用于根据所述源域光谱特征和所述目标域光谱特征，生成源域光谱邻接矩阵和目标域光谱邻接矩阵，并将所述源域光谱邻接矩阵和所述目标域光谱邻接矩阵传输到所述图卷积神经网络模块。

22、可选地，还包括空间特征模块，所述空间特征模块的输出端与所述邻接矩阵模块的输入端连接；

23、所述空间特征模块用于处理获取的土地dem数据，提取所述土地dem数据的空间特征；

24、所述邻接矩阵模块还用于将所述空间特征转化为空间邻接矩阵，并传输至所述图卷积神经网络模块。

25、可选地，还包括监督损失模块，所述监督损失模块与所述输出模块连接；

26、所述监督损失模块用于根据所述土地覆盖分类结果，获得监督损失，根据所述监督损失调整模型参数；

27、所述监督损失模块采用交叉熵损失函数计算监督损失，所述交叉熵损失函数如下公式一所示：

28、

29、其中，l为所述监督损失，n为像素数量，m为类别数量，yic为符号函数，i为第i个像素，c为类别，pic为第i个像素属于类别c的预测概率。

30、可选地，所述对比学习模块采用孪生网络结构，所述孪生网络结构设有二阶相似度函数。

31、第二方面，本发明提供了一种土地覆盖分类方法，包括：

32、获取待测土地的遥感多光谱数据；

33、将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型，得到土地覆盖分类结果。

34、第三方面，本发明提供了一种土地覆盖分类装置，包括：

35、获取模块，用于获取待测土地的遥感多光谱数据；

36、分类模块，用于将所述遥感多光谱数据输入到训练好的如上所述的深度学习模型，得到土地覆盖分类结果。

37、本发明的一种深度学习模型、土地覆盖分类方法及装置的有益效果是：通过对抗学习模块捕捉源域数据和目标域数据之间的关联特征，生成相似源域数据和相似目标域数据，充分利用了有标签的源域数据和无标签的目标域数据，为对比学习模块提取特征提供更好且有效的数据支持；基于相似源域数据和相似目标域数据，对比学习模块提取的源域光谱特征和目标域光谱特征更加具有关联相似性；再通过图卷积神经网络模块构建全局依赖关系，因为源域光谱特征和目标域光谱特征具有关联相似性，所以图卷积神经网络模块可以有效捕捉提取节点的全局信息，关联学习源域光谱特征和目标域光谱特征的节点特征和拓扑结构，使深度学习模型具有高鲁棒性和泛化能力来应对对不同区域或不同时间的卫星遥感数据，输出准确的土地覆盖分类信息，最后由输出模块解码土地覆盖分类信息，输出具有高辨识度且美观的土地覆盖分类结果。本发明的深度学习模型在对抗学习模块和对比学习模块的联合作用下，可以为图卷积神经网络模块提供具有关联相似性的源域光谱特征和目标域光谱特征，通过图卷积神经网络模块处理源域光谱特征和目标域光谱特征，提升了深度学习模型的鲁棒性和泛化能力，并通过输出模块输出准确且美观的土地覆盖分类结果，解决了因卫星遥感数据在不同的区域、不同时间上存在很大的差异问题造成的土地覆盖分类任务精度低的问题。