技术摘要：
本发明提供了一种共享多尺度对抗特征的高分遥感影像语义分割方法，引入了多尺度对抗网络模型，利用对抗特征的多尺度结构学习，较好地刻画出遥感影像的多尺度细节信息；同时通过改进对抗网络模型的判别器，将其作为关系增强模块，进一步描述目标地物的相关性和边界信息  全部
背景技术：
随着对地观测技术的发展，高分辨率遥感图像(HRSIs)在遥感研究和应用中引起 了广泛的关注。HRSI的语义分割旨在为地物的每个像素指定一个地理对象类别，并在地理 对象之间有一个精确的边界。它是遥感图像分析和理解的首要任务，在城市规划、灾害监 测、精准农业等广泛应用中发挥着重要作用。深卷积神经网络(DCNNs)以其强大的特征表示 能力在计算机视觉领域取得了成功，并被广泛应用于图像语义分割任务中。然而，DCNNs中 用于特征提取的卷积运算不可避免地会降低图像的分辨率，导致特征图很难显示地理对象 的真实像素位置。为了解决这个问题，Long等人将DCNNs(例如AlexNet、VGG[8]或ResNet)转 换为全卷积网络(FCN)以进行像素级分类。之后，为提高FCN对地理对象细节的敏感度，一些 研究利用许多策略来捕获不同的上下文信息或扩展接受域。 由于DCNN在计算机视觉中的成功应用，许多基于DCNN的语义分割方法逐渐应用到 HRSI中。Saito等人使用DCNN学习地理对象及其标签之间的映射，以便从高分辨率航空影像 中提取建筑物和道路。Zhang等人结合残差学习和U-Net的优点，提出了一种用于道路提取 的语义分割模型。DeepUNe被提出用于海陆分割。随后，许多研究集中关注地理对象的多尺 度特征，以减少地理对象丰富的细节和不同尺度对HRSIs语义分割中的影响。虽然这些方法 考虑了HRSIs多尺度特征表示的重要性，并能获得较高的预测分数，但由于其在预测像素时 是独立的，因而忽略了像素之间的相关性，导致分割结果不连续。 GAN由两部分组成：生成器G用于生成尽可能接近真实的假样本，判别器D试图区分 假样本和真实样本。由于对抗模型可以测量标签变量的联合分布，因此可以将其作为一种 可学习的高阶损失，以提示生成器顾及像素之前的关系，从而增强预测标签的空间连续性。 随后，朱等人引入对抗学习进行语义分割，以减少小规模样本上的过拟合，提高模型的鲁棒 性。Phillip等人首次使用条件生成对抗网络学习从输入原始图像到输出标签映射的映射， 对抗特征可以提高半监督语义分割的准确度，虽然基于GANs中的生成器的方法在语义分割 上取得了一些成功，对抗性损失有利于增强生成器生成具有连续值变化的图像，但是，在生 成具有离散值的标签时，可能导致语义混乱；上述方法均难以表达地理对象的内部语义连 续性和外部边界准确性。因此，业内急需一种共享多尺度对抗特征的高分遥感影像语义分 割方法。
技术实现要素：
本发明目的在于提供一种共享多尺度对抗特征的高分遥感影像语义分割方法，以 解决