改进CycleGAN网络的半监督建筑物提取算法

作     者：卢鹏 仲闯 

作者机构：上海海洋大学信息学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年

学科分类：12[管理学] 081802[工学-地球探测与信息技术] 08[工学] 0810[工学-信息与通信工程] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：上海市科技创新计划项目(20dz1203800) 地方高校能力建设项目(19050502100) 

主　　题：建筑物提取 循环一致性对抗网络 谱归一化 全局注意力机制 半监督 

摘      要：目前，建筑物提取需要大量的标注数据进行训练，收集和标注数据需要耗费大量时间。针对小样本遥感图像数据集上实现建筑物半监督提取的问题，构建了四组建筑物提取数据集，提出了一种基于循环生成对抗网络CycleGAN（Cycle Generative Adversarial Network）的建筑物提取方法。首先，在生成器中引入GAM（Global Attention Mechanism）全局注意力模块以增强对建筑物和图像背景细节特征的区分。其次，在判别器中加入谱归一化层以增强训练稳定性，解决了训练过程中梯度消失问题。最后，改进对抗损失和循环一致性损失以提高生成图像的质量，避免了生成图像的过度平滑化，并引入Identity损失（身份保真损失）以限制生成器不会自主的修改输入图像的颜色，保证了输入图像与输出图像颜色组成的一致性。实验结果表明，在第一组小样本数据集上，与UNIT模型、MUNIT模型、U-GAT-IT模型、SPatchGAN模型、QS-Attn模型进行半监督实验对比，SSIM（Structure Similarity Index Measure）值和准确率分别至少提高了3%、8%以上；在扩充数据规模的数据集上，使用改进后的算法进行全监督和半监督实验对比，验证了改进后的算法在小样本遥感图像数据集上实现建筑物半监督提取的有效性。