本發明涉及目標定位識別，特別涉及一種基于無監督自適應的遙感圖像特定偽裝目標識別方法及系統。

背景技術：

1、目標偽裝和識別一直都是信息對抗領域的研究熱點，二者之間的斗爭是圍繞目標和背景的差異進行的，而目標與背景之間存在的差異是目標暴露的根本原因。常見的對抗目標通過涂抹偽裝涂料、覆蓋偽裝網等手段，利用顏色、紋理和各種圖案來改變目標的表面特征，從而達到融入周圍復雜環境的效果，達到隱身的目的，有些偽裝效果甚至達到人眼無法識別的程度。比如在某些背景環境下，偽裝網能達到目標和背景“異物同譜”效果，給典型目標識別帶來了很大的挑戰。偽裝目標檢測(camouflaged?object?detection，cod)可以更好的解決上述問題，它旨在將隱藏在復雜背景中的目標快速精準地檢測出來。

2、衛星遙感由于具有大面積同步觀測、時效性高、獲取信息受條件限制少，尤其是不受國境界限制的特點，是重要的偵察手段。遙感技術可以實現全天候、全天時、全方位、高動態的偵察，能夠對典型偽裝目標做到精準的識別和定位。相比于成像技術的快速發展，基于高分辨率光學遙感圖像的典型偽裝目標識別尚處于起步階段，高價值目標信息獲取能力弱，在精準性、實時性等方面仍難以滿足對抗任務應用需求。為此，如何利用先進的人工智能技術，實現小樣本無標注光學遙感圖像數據偽裝目標識別是亟需解決的關鍵技術問題。

技術實現思路

1、為此，本發明提供一種基于無監督自適應的遙感圖像特定偽裝目標識別方法及系統，提升光學遙感圖像跨域檢測性能，極大程度減少現實環境中對目標域數據標注需求，提高特定任務環境下偽裝目標識別準確性和有效性。

2、按照本發明所提供的設計方案，一方面，提供一種基于無監督自適應的遙感圖像特定偽裝目標識別方法，包含：

3、獲取待檢測遙感圖像；

4、將所述待檢測遙感圖像輸入至遙感圖像目標識別模型中，利用遙感圖像目標識別模型得到待檢測圖像中的偽裝目標類別標簽；

5、其中，遙感圖像目標識別模型基于域對抗神經網絡構建，包含依次相連的特征提取器和標簽分類器，且特征提取器和標簽分類器利用無監督自適應訓練方法訓練遙感圖像目標識別訓練模型得到。

6、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，利用無監督自適應訓練方法訓練遙感圖像目標識別訓練模型，包含：

7、獲取源域訓練數據集、目標域訓練數據集，其中，所述源域訓練數據集包括源域訓練遙感圖像和對應偽裝目標類別標簽，所述目標域訓練數據集包括目標域訓練遙感圖像；

8、基于域對抗網絡構造遙感圖像目標識別訓練模型，所述遙感圖像目標識別訓練模型包括第一特征提取器、第一標簽預測器和第一域分類器，且在第一特征提取器和第一域分類器之間設置有用于反向傳播學習的梯度翻轉層；

9、利用第一特征提取器提取源域訓練數據集和目標域訓練數據集中的遙感圖像特征信息，利用第一標簽預測器對來自源域訓練數據集中的遙感圖像特征進行分類，利用第一域分類器對遙感圖像特征信息來源進行分類，基于第一標簽預測器和第一域分類器訓練損失函數訓練遙感圖像目標識別訓練模型，得到訓練后的第一特征提取器和第一標簽分類器，以將訓練后的第一特征提取器和第一標簽分類器作為遙感圖像目標識別模型中的特征提取器和標簽分類器。

10、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，獲取源域訓練數據集，包含：

11、收集光學遙感圖像數據；

12、對收集的光學遙感圖像數據中特定偽裝目標進行標注；

13、利用目標偽裝評價體系對特定目標偽裝效果進行評級排序，并依據評級排序結果構建源域訓練數據集。

14、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，利用目標偽裝評價體系對特定目標偽裝效果進行評級排序，包含：

15、設置光學遙感圖像中特定任務目標偽裝效果的特征指標，并利用動態權重分配算法確定各特征指標權重，所述特征指標包括圖像亮度指標、圖像顏色指標、圖像紋理指標及目標邊緣輪廓指標；

16、依據特征指標權重進行加權融合獲取光學遙感圖像中特定目標相似度，依據相似度建立多指標目標偽裝評價體系；

17、依據多指標目標偽裝評價體系對光學遙感圖像中標注的特定目標識別難度進行細粒度分級和排序，以得到偽裝目標識別用的光學遙感圖像樣本集。

18、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，利用動態權重分配算法確定各特征指標權重，包含：

19、依據特征指標對偽裝目標識別任務的影響因素制定權重更新策略，所述影響因素包括各特征指標影響程度、各特征指標貢獻量及各特征指標相互作用關系；

20、基于權重更新策略并利用動態權重分配算法確定各特征指標權重大小。

21、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，基于第一標簽預測器和第一域分類器訓練損失函數訓練遙感圖像目標識別訓練模型，包含：

22、依據二分交叉熵設置第一域分類器訓練損失函數；

23、通過最小化第一標簽預測器訓練損失和最大化域分類器訓練損失來訓練遙感圖像目標識別訓練模型。

24、作為本發明基于無監督自適應的遙感圖像特定偽裝目標識別方法，進一步地，第一域分類器訓練損失函數表示為：其中，ns和nt分別表示來自源域和目標域的樣本數量，分別表示來自源域的第i個樣本和目標域的第j個樣本。

25、再一方面，本發明還提供一種基于無監督自適應的遙感圖像特定偽裝目標識別系統，包含：圖像獲取模塊和圖像識別模塊，其中，

26、圖像獲取模塊，用于獲取待檢測遙感圖像；

27、圖像識別模塊，用于將所述待檢測遙感圖像輸入至遙感圖像目標識別模型中，利用遙感圖像目標識別模型得到待檢測圖像中的偽裝目標類別標簽；

28、其中，遙感圖像目標識別模型基于域對抗神經網絡構建，包含依次相連的特征提取器和標簽分類器，且特征提取器和標簽分類器利用無監督自適應訓練方法訓練遙感圖像目標識別訓練模型得到。

29、本發明的有益效果：

30、本發明基于無監督域自適應方法利用充分標注的源域數據和無標注的目標域數據聯合訓練模型，使得模型能夠在不需目標域標注的前提下在目標域取得良好的泛化性能，提升模型的跨域檢測性能，極大程度減少現實環境中對目標域數據標注的需求，并利用客觀標準的特定目標偽裝效果評價指標標注源域數據標簽，減少對判別人員主觀的依賴，降低環境因素的影響，提升模型訓練效果，便于在實際遙感圖像目標檢測識別場景中進行部署實施，具有較好的應用前景。

技術特征：

1.一種基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，包含：

2.根據權利要求1所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，利用無監督自適應訓練方法訓練遙感圖像目標識別訓練模型，包含：

3.根據權利要求2所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，獲取源域訓練數據集，包含：

4.根據權利要求3所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，利用目標偽裝評價體系對特定目標偽裝效果進行評級排序，包含：

5.根據權利要求4所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，利用動態權重分配算法確定各特征指標權重，包含：

6.根據權利要求2所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，基于第一標簽預測器和第一域分類器訓練損失函數訓練遙感圖像目標識別訓練模型，包含：依據二分交叉熵設置第一域分類器訓練損失函數；

7.根據權利要求2或6所述的基于無監督自適應的遙感圖像特定偽裝目標識別方法，其特征在于，第一域分類器訓練損失函數表示為：其中，ns和nt分別表示來自源域和目標域的樣本數量，和分別表示來自源域的第i個樣本和目標域的第j個樣本。

8.一種基于無監督自適應的遙感圖像特定偽裝目標識別系統，其特征在于，包含：圖像獲取模塊和圖像識別模塊，其中，

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機程序，當計算機程序被執行時，能夠實現如權利要求1～7任一項所述的方法。

技術總結
本發明涉及目標定位識別技術領域，特別涉及一種基于無監督自適應的遙感圖像特定偽裝目標識別方法及系統，將所述待檢測遙感圖像輸入至遙感圖像目標識別模型中，利用遙感圖像目標識別模型得到待檢測圖像中的偽裝目標類別標簽；其中，遙感圖像目標識別模型基于域對抗神經網絡構建，包含依次相連的特征提取器和標簽分類器，且特征提取器和標簽分類器利用無監督自適應訓練方法訓練遙感圖像目標識別訓練模型得到。本發明基于無監督域自適應方法利用充分標注的源域數據和無標注的目標域數據聯合訓練模型，使得模型能夠在不需目標域標注的前提下在目標域取得良好的泛化性能，提升模型的跨域檢測性能，極大程度減少現實環境中對目標域數據標注的需求，可在實際遙感圖像偽裝目標檢測場景中進行部署實施。

技術研發人員：于英,柏棟,宋亮,李力,李磊,王濤,張磊,高寒,張珂
受保護的技術使用者：中國人民解放軍網絡空間部隊信息工程大學
技術研發日：
技術公布日：2025/4/28