隐蔽滑坡目标识别与语义分割方法、系统和电子设备与流程

1.本发明涉及滑坡识别技术领域，尤其涉及一种隐蔽滑坡目标识别与语义分割方法、系统和电子设备。


背景技术：

2.滑坡是一种经常发生的自然灾害，会产生严重的人身与财产损失以及自然环境的破坏。准确预测潜在滑坡技术依赖于对大量的现有滑坡进行分析，以充分了解滑坡的地质地貌特征与滑坡诱发因素。传统的滑坡识别是通过人工野外观测和测绘获得，费时耗力，难以满足大范围普查的高效和自动化要求。随着遥感技术的快速发展，由于其高精度、来源多样、覆盖范围广，已被广泛用于滑坡检测，利用高分辨率遥感数据实现滑坡的智能识别已成为主流技术。
3.滑坡的类型依据滑坡发生的时间可以分为新滑坡、古/老滑坡、滑坡隐患三种类型。其中，新滑坡是指发生不久、还可能继续运动的滑坡类型，其地表特征与周围有显著的色彩、形态差别；古/老滑坡指滑坡发生时间非常久远，但在某些诱发因素影响下可能复活的滑坡类型，其滑坡体特征由于自然因素或者人为因素的长期作用而与环境难以区分，被认为是最难从遥感图像上识别的滑坡类型，因而也称之为隐蔽滑坡；滑坡隐患指已经开始出现地表沉降运动尚未发生滑坡的类型，在降雨、地震等外界诱发因素的作用下，可能快速形成滑坡灾害，是最具危害性的滑坡类型。
4.在滑坡智能识别目标中，新滑坡具有显著区别于环境的色彩特征和形态特征，滑坡隐患具有地表沉降运动，两者相对较为容易识别，而古/老滑坡由于滑坡发生的时代久远，经历过后期人为的改造(重建，开垦)、自然的侵蚀，其地表特征与环境极为相似，同时遥感影像数据缺少深度/高度信息，因此，会降低滑坡识别的精准度。


技术实现要素：

5.本发明所要解决的技术问题是针对现有技术的不足，提供了一种隐蔽滑坡目标识别与语义分割滑坡识别方法、系统、存储介质和电子设备。
6.本发明的一种隐蔽滑坡目标识别与语义分割滑坡识别方法的技术方案如下：
7.s1、建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，所述目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，所述准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，所述第三编码器的结构与所述第一编码器的结构相同；
8.所述目标级对比学习的滑坡目标分类网络用于：通过所述第一编码器提取第一输入图像的语义特征，通过所述第二编码器提取第二输入图像的语义特征，对所述第一输入图像的语义特征和所述第二输入图像的语义特征进行通道拼接，得到用于表征所述第一输入图像和所述第二输入图像的高维特征图，所述分类器根据所述高维特征图得到所述第一
输入图像和所述第二输入图像共同对应的类置信度；
9.所述准目标级对比学习的滑坡语义分割网络用于：通过所述第三编码器提取第三输入图像的语义特征，利用所述译码器，基于所述第三输入图像的语义特征计算所述第三输入图像中每个像素的类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；
10.s2、基于数据集，将所述目标级对比学习的滑坡目标分类网络训练至收敛；
11.s3、提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到所述第三编码器并冻结，然后采用所述准目标级对比学习策略，对所述译码器进行训练至收敛；
12.s4、解锁所述第三编码器的网络参数，采用所述准目标级对比学习策略，对所述准目标级对比学习的滑坡语义分割网络进行训练至收敛；
13.s5、提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，返回执行s2，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；
14.s6、利用所述训练好的隐蔽滑坡智能判识模型进行滑坡识别。
15.本发明的一种隐蔽滑坡目标识别与语义分割滑坡识别系统的技术方案如下：
16.包括模型建立模块、第一训练子模块、第二训练子模块、第三训练子模块、第四训练子模块和识别模块；
17.所述模型建立模块用于：建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，所述目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，所述准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，所述第三编码器的结构与所述第一编码器的结构相同；
18.所述目标级对比学习的滑坡目标分类网络用于：通过所述第一编码器提取第一输入图像的语义特征，通过所述第二编码器提取第二输入图像的语义特征，对所述第一输入图像的语义特征和所述第二输入图像的语义特征进行通道拼接，得到用于表征所述第一输入图像和所述第二输入图像的高维特征图，所述分类器根据所述高维特征图得到所述第一输入图像和所述第二输入图像共同对应的类置信度；
19.所述准目标级对比学习的滑坡语义分割网络用于：通过所述第三编码器提取第三输入图像的语义特征，利用所述译码器，基于所述第三输入图像的语义特征计算所述第三输入图像中每个像素的类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；
20.所述第一训练子模块用于：基于数据集，将所述目标级对比学习的滑坡目标分类网络训练至收敛；
21.所述第二训练子模块用于：提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到所述第三编码器并冻结，然后采用所述准目标级对比学习策略，对所述译码器进行训练至收敛；
22.所述第三训练子模块用于：解锁所述第三编码器的网络参数，采用所述准目标级对比学习策略，对所述准目标级对比学习的滑坡语义分割网络进行训练至收敛；
23.所述第四训练子模块用于：提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，重新调用所述第一
训练子模块、所述第二训练子模块和所述第三训练子模块，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；
24.所述识别模块用于：利用所述训练好的隐蔽滑坡智能判识模型进行滑坡识别。
25.本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种隐蔽滑坡目标识别与语义分割滑坡识别方法。
26.本发明的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
27.本发明的技术效果如下：
28.提出了目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的交替训练迭代优化的模型协同方法，利用准确性高的目标级对比学习的滑坡目标分类网络去监督高复杂度的准目标级对比学习的滑坡语义分割网络的特征提取，实现特征提取的可靠性提升，实验结果表明本发明能同时提高滑坡的目标级识别准确率与隐蔽滑坡轮廓识别的准确性。
附图说明
29.通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
30.图1为本发明实施例的一种隐蔽滑坡目标识别与语义分割滑坡识别方法的流程示意图；
31.图2为包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型的结构示意图；
32.图3为本发明实施例的一种隐蔽滑坡目标识别与语义分割滑坡识别系统的结构示意图。
具体实施方式
33.如图1所示，本发明实施例的一种隐蔽滑坡目标识别与语义分割滑坡识别方法，包括如下步骤：
34.s1、建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，如图2所示，目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，第三编码器的结构与第一编码器的结构相同；
35.目标级对比学习的滑坡目标分类网络用于：通过第一编码器提取第一输入图像的语义特征，通过第二编码器提取第二输入图像的语义特征，对第一输入图像的语义特征和第二输入图像的语义特征进行通道拼接，得到用于表征第一输入图像和第二输入图像的高维特征图，分类器根据高维特征图得到第一输入图像和第二输入图像共同对应的类置信度；
36.准目标级对比学习的滑坡语义分割网络用于：通过第三编码器提取第三输入图像的语义特征，利用译码器，基于第三输入图像的语义特征计算第三输入图像中每个像素的
类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；
37.其中，第一编码器采用深度卷积神经网络，则通过第一编码器提取第一输入图像的语义特征的过程，包括：
38.s10、通过深度卷积神经网络中的多层堆叠的卷积操作，并结合注意力机制提取第一输入图像的语义特征。
39.由于第一编码器与第二编码器以及第三编码器的结构相同，同理得到第二输入图像的语义特征和第三输入图像的语义特征。
40.其中，译码器包括上采样块，上采样块包括依次设置的卷积层和转置卷积层，译码器基于第三输入图像的语义特征计算第三输入图像中每个像素的类置信度，包括：
41.s11、通过上采样块将第三输入图像的语义特征恢复到第三输入图像的尺寸，计算第三输入图像中每个像素的类置信度。本发明提出了目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的交替训练迭代优化的模型协同方法，利用准确性高的目标级对比学习的滑坡目标分类网络去监督高复杂度的准目标级对比学习的滑坡语义分割网络的特征提取，实现特征提取的可靠性提升，实验结果表明本发明能同时提高滑坡的目标级识别准确率与隐蔽滑坡轮廓识别的准确性。
42.对隐蔽滑坡智能判识模型解释如下：
43.1)上支路即目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，第一编码器和第二编码器均使用具有优异的语义特征提取性能的深度卷积神经网络例如resnet 101网络作为主干网络，通过深度卷积神经网络中是多层堆叠的卷积操作结合注意力机制提取输入图像中的语义特征。
44.同时，第一编码器和第二编码器采用共享网络参数的孪生网络结构，分别处理一组输入图像，一组输入图像中包括两个输入图像，即第一输入图像和第二输入图像，通过第一编码器提取第一输入图像的语义特征，通过第二编码器提取第二输入图像的语义特征，对第一输入图像的语义特征和第二输入图像的语义特征进行通道拼接，得到用于表征第一输入图像和第二输入图像的高维特征图，分类器将高维特征图映射为特征向量，并使用激活函数得到第一输入图像和第二输入图像共同对应的类置信度。
45.上支路输入两个随机挑选的第一输入图像和第二输入图像，若输入图像中包括滑坡区域，即为正样本，若输入图像中不包括滑坡区域，即为负样本，则输入的第一输入图像和第二输入图像可构成正样本-正样本、正样本-负样本、负样本-正样本、负样本-负样本，共四个分类结果。
46.其中，目标级对比学习的滑坡目标分类网络的损失函数可使用传统的交叉熵损失函数。第一编码器和第二编码器分别从第一输入图像和第二输入图像中独立的提取目标级的语义特征，通过同类样本特征增强与异类样本的特征分离，实现隐蔽滑坡全局显著特征更可靠更高效的提取，其中，同类样本指：第一输入图像和第二输入图像均为正样本或均为负样本，异类样本指：第一输入图像和第二输入图像的其中一个为正样本，另一个为负样本。
47.2)下支路即准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，第三编码器的结构与第一编码器的结构相同，在训练阶段同时引入交叉熵损失函数与监督对
比损失函数更新网络。第三编码器结构与上支路中的第一编码器和第二编码器的结构相同，实现对输入图像即第三输入图像的高维的语义特征的提取。译码器由卷积层和转置卷积层构成的上采样块组成，负责将第三输入图像的高维的语义特征恢复到第三输入图像的尺寸，并计算第三输入图像中的每一个像素的类置信度，最后输出任务所需的像素级滑坡识别结果。
48.s2、基于数据集，将目标级对比学习的滑坡目标分类网络训练至收敛；
49.s3、提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到第三编码器并冻结，然后采用准目标级对比学习策略，对译码器进行训练至收敛；
50.s4、解锁第三编码器的网络参数，采用准目标级对比学习策略，对准目标级对比学习的滑坡语义分割网络进行训练至收敛；
51.s5、提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，返回执行s2，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；
52.其中，预设条件为：准目标级对比学习的滑坡语义分割网络的验证损失不再降低，也可根据实际情况设置其它的预设条件。
53.s6、利用训练好的隐蔽滑坡智能判识模型进行滑坡识别，具体利用训练好的隐蔽滑坡智能判识模型对高分辨率遥感图像进行识别，确定滑坡识别结果。
54.上支路实现的分类任务具有隐蔽滑坡目标识别的高可靠性；下支路是隐蔽滑坡语义分割网络，它与上支路共享特征提取网络，引入准目标对比学习模块进一步优化特征提取模块；上下两个支路通过交替训练和迭代优化，实现上支路指导下支路语义分割网络，从而减少隐蔽滑坡目标识别的漏判与误判。
55.目前，基于高分遥感影像数据的古、老滑坡类型的隐蔽滑坡自动识别技术主要面临数据上和方法还面临两方面问题：
56.1)信息缺失：
57.滑坡的专家识别依据主要通过数字高程信息和地表纹理特征相结合，识别滑坡体上凹下凸的形态特征以及滑坡体边缘的高度突然下降特征，这些特征都依赖于滑坡体的高度变化信息，然而高分辨率遥感图像数据缺少高度/深度信息，高度信息投影到2d图像上产生的纹理特征与山体自然存在的阴影极为相似，使得从hrsi数据上区分滑坡和非滑坡极为困难。
58.2)小样本问题：
59.高分辨率遥感数据虽然数量多，但精确的滑坡标注困难。一方面滑坡的准确识别依赖于专家丰富的经验，同时用于语义分割的滑坡论文圈画耗时费力，因而缺少大规模的公共数据集。小样本问题严重制约滑坡识别方法的性能。
60.通过本发明提出的准目标级对比学习策略能够解决上述两方面问题，能够进一步提高滑坡的目标级识别准确率与隐蔽滑坡轮廓识别的准确性，对准目标级对比学习策略的解释如下：
61.s3中，采用准目标级对比学习策略，对译码器进行训练至收敛，包括：
62.s30、构造准目标级正负样本集合，且准目标级正负样本集合与第三编码器当前提
取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将译码器训练至收敛。
63.可选地，在上述技术方案中，s4中，准目标级对比学习策略，将准目标级对比学习的滑坡语义分割网络训练至收敛，包括：
64.s4、构造准目标级正负样本集合，且准目标级正负样本集合与第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将准目标级对比学习的滑坡语义分割网络训练至收敛。
65.其中，准目标级对比学习策略包括如下内容：
66.1)构造准目标级正负样本集合：
67.使用固定大小的矩形框对数据集中的训练图像的二分类标签进行框取，得到多个标签块，每个标签块代表训练图像中对应位置的局部标签。对所有的标签块进行筛选，具体地：
68.将包含滑坡的像素点在标签块中的占比在预设范围内的标签块，确定为滑坡边界类的1类样本；预设范围为10％到90％，也可根据实际情况设置；将包含滑坡的像素点在标签块中的占比低于预设范围的下限的标签块，确定为滑坡边界类的0类样本，例如，预设范围为10％到90％，预设范围的下限为10％；
69.将包含滑坡的像素点在标签块中的占比高于预设范围的上限的标签块，确定为滑坡内部样本，定义为无关类样本，例如，预设范围为10％到90％，预设范围的上限为90％；
70.筛选出1类样本和0类样本参与对监督对比损失函数的计算，丢弃无关类样本，不参与对监督对比损失函数的计算。
71.从筛选出的1类样本和0类样本中随机或者按照实际需要选取预设数量的样本，构成准目标级正负样本集合，预设数量可为10、100等，可根据实际情况设置。
72.2)语义特征嵌入与监督对比损失函数：
73.对第三编码器输出的第三输入图像的语义特征进行归一化，将归一化后的语义特征在空间维度上拆分成多个准目标级特征块，具体地：
74.对于第三输入图像的语义特征在横向和纵向的每一个特征点都进行空间维度的拆分，得到个数为横向大小乘以纵向大小的准目标级特征块，每一个准目标级特征块可近似表示为第三输入图像对应位置区域内的语义特征，并可以与该位置区域构造的准目标级正负样本集合对应。将一个批内的准目标级特征块展平，并从所有准目标级特征块中随机选取固定数量的等额的1类样本对应的特征块和0类样本的特征块，并使用监督对比学习损失函数计算下支路的损失，监督对比学习损失函数为：
[0075][0076]
其中，pi表示准目标级样本集合中的所有样本的总数，i表示当前样本的特征，i
+
表示滑坡的1类样本的特征，i-表示0类样本的特征，表示：监督对比学习损失函数，τ表示温度系数。
[0077]
准目标级对比学习策略除上述的监督对比学习损失函数之外，还包括另外一个损失函数即交叉熵损失函数，监督对比学习损失函数和交叉熵损失函数以函数
进行协同，进行下支路训练，其中，l
seg
表示准目标级对比学习策略总损失函数，i表示当前样本的特征，表示当前样本的特征的交叉熵损失函数，λ表示比例系数，表示当前样本的特征的监督对比学习损失函数。
[0078]
2)提出了目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的交替训练迭代优化的模型协同方法：通过高可靠的目标级对比学习的滑坡目标分类网络引导高复杂的准目标级对比学习的滑坡语义分割网络的语义特征提取；在目标级对比学习的滑坡目标分类网络中设计两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，提高语义特征提取的效率和准确性。
[0079]
上支路分类网络采用两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，关注目标级滑坡特征。下支路使用准目标级对比学习策略，关注滑坡边界的显著语义特征。第一编码器、第二编码器和第三编码器结构相同并交替迭代训练，使下支路在保证预测结果轮廓准确度的同时，有效降低了目标级误判率。
[0080]
通过如下实施例对本发明的技术效果进行说明：
[0081]
性能测试实验使用的数据集是我国西北黄土高原区的古/老滑坡数据集，滑坡发生时间久远，很多滑坡被改造成了农田或居民区，其形状纹理与周围环境高度相似，很难从高分遥感影像上识别。图片的原始分辨率为2m/pixel，将其剪裁得到304张512
×
512的滑坡样本，并按6：2：2的比例将样本划分为训练集、测试集、验证集，对训练集和验证集使用数据增强，添加滑坡数量1/3的斜坡样本作为0类样本，得到最后的数据集，如表1所示。
[0082]
表1：
[0083]
训练集验证集测试集146048680
[0084]
经典的deeplabv3+模型作为基准模型，与本专利提出的方法进行滑坡识别的性能对比，实验结果如下表所示。从试验结果可见，本专利设计的方法在所有的性能指标上都具有最优的性能，语义分割性能对比见表2，滑坡目标分类性能对比见表3，第一次迭代后目标分类性能的混淆矩阵见表4，在此时平均准确率：0.8375，精确率：0.9607，召回率：0.8167，f1：0.8846，第二次迭代后所提方法的目标分类性能混淆矩阵见表5，此时，准确率：0.8875，精确率：0.9473，召回率：0.9，f1：0.9230；
[0085]
表2：
[0086][0087]
表3：
[0088] 滑坡正确率斜坡正确率平均正确率迭代一0.8170.90.859迭代二0.90.850.875
[0089]
表4：
[0090][0091][0092]
表5：
[0093]
实际\预测滑坡斜坡滑坡546斜坡317
[0094]
此外，进一步评估滑坡与斜坡通过语义分割后的目标分类性能。对于滑坡，当语义分割结果中与标签有超过400个目标类像素重合时，则视为滑坡目标分类判断正确，否则记为漏判错误；对于斜坡，当语义分割预测结果中有少于100个目标类像素，则视为斜坡分类判断正确，否则视为误判错误。实验结果如表6所示，从实验结果来看，本专利方案通过上下支路的迭代优化语义特征提取网络，实现分类准确率的提升。
[0095]
表6：
[0096]
在上述各实施例中，虽然对步骤进行了编号s1、s2等，但只是本技术给出的具体实施例，本领域的技术人员可根据实际情况调整s1、s2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
[0097]
如图3所示，本发明实施例的一种隐蔽滑坡目标识别与语义分割滑坡识别系统200，包括模型建立模块210、第一训练子模块220、第二训练子模块230、第三训练子模块240、第四训练子模块250和识别模块260；
[0098]
模型建立模块210用于：建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，目标级
[0099] 滑坡正确率斜坡正确率平均正确率deeplabv3+0.730.550.67提出模型0.730.90.82
[0100]
对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，第三编码器的结构与第一编码器的结构相同；
[0101]
目标级对比学习的滑坡目标分类网络用于：通过第一编码器提取第一输入图像的语义特征，通过第二编码器提取第二输入图像的语义特征，对第一输入图像的语义特征和第二输入图像的语义特征进行通道拼接，得到用于表征第一输入图像和第二输入图像的高维特征图，分类器根据高维特征图得到第一输入图像和第二输入图像共同对应的类置信度；
[0102]
准目标级对比学习的滑坡语义分割网络用于：通过第三编码器提取第三输入图像的语义特征，利用译码器，基于第三输入图像的语义特征计算第三输入图像中每个像素的
类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；
[0103]
第一训练子模块220用于：基于数据集，将目标级对比学习的滑坡目标分类网络训练至收敛；
[0104]
第二训练子模块230用于：提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到第三编码器并冻结，然后采用准目标级对比学习策略，对译码器进行训练至收敛；
[0105]
第三训练子模块240用于：解锁第三编码器的网络参数，采用准目标级对比学习策略，对准目标级对比学习的滑坡语义分割网络进行训练至收敛；
[0106]
第四训练子模块250用于：提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，重新调用第一训练子模块、第二训练子模块和第三训练子模块，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；
[0107]
识别模块260用于：利用训练好的隐蔽滑坡智能判识模型进行滑坡识别。
[0108]
可选地，在上述技术方案中，第二训练子模块230具体用于：
[0109]
构造第一准目标级正负样本集合，且准目标级正负样本集合与第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将译码器训练至收敛。
[0110]
可选地，在上述技术方案中，第三训练子模块240用于：
[0111]
构造第二准目标级正负样本集合，且准目标级正负样本集合与第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将准目标级对比学习的滑坡语义分割网络训练至收敛。
[0112]
可选地，在上述技术方案中，第一编码器采用深度卷积神经网络，则通过第一编码器提取第一输入图像的语义特征的过程，包括：
[0113]
通过深度卷积神经网络中的多层堆叠的卷积操作，并结合注意力机制提取第一输入图像的语义特征。
[0114]
可选地，在上述技术方案中，译码器包括上采样块，上采样块包括依次设置的卷积层和转置卷积层，译码器基于第三输入图像的语义特征计算第三输入图像中每个像素的类置信度，包括：
[0115]
通过上采样块将第三输入图像的语义特征恢复到第三输入图像的尺寸，计算第三输入图像中每个像素的类置信度。
[0116]
上述关于本发明的一种隐蔽滑坡目标识别与语义分割滑坡识别系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种隐蔽滑坡目标识别与语义分割滑坡识别方法的实施例中的各参数和步骤，在此不做赘述。
[0117]
本发明实施例的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种隐蔽滑坡目标识别与语义分割滑坡识别方法。
[0118]
本发明实施例的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令，其中，电子设备可以选用电脑、手机等。
[0119]
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
[0120]
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
[0121]
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram),只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0122]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种隐蔽滑坡目标识别与语义分割方法，其特征在于，包括：s1、建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，所述目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，所述准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，所述第三编码器的结构与所述第一编码器的结构相同；所述目标级对比学习的滑坡目标分类网络用于：通过所述第一编码器提取第一输入图像的语义特征，通过所述第二编码器提取第二输入图像的语义特征，对所述第一输入图像的语义特征和所述第二输入图像的语义特征进行通道拼接，得到用于表征所述第一输入图像和所述第二输入图像的高维特征图，所述分类器根据所述高维特征图得到所述第一输入图像和所述第二输入图像共同对应的类置信度；所述准目标级对比学习的滑坡语义分割网络用于：通过所述第三编码器提取第三输入图像的语义特征，利用所述译码器，基于所述第三输入图像的语义特征计算所述第三输入图像中每个像素的类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；s2、基于数据集，将所述目标级对比学习的滑坡目标分类网络训练至收敛；s3、提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到所述第三编码器并冻结，然后采用所述准目标级对比学习策略，对所述译码器进行训练至收敛；s4、解锁所述第三编码器的网络参数，采用所述准目标级对比学习策略，对所述准目标级对比学习的滑坡语义分割网络进行训练至收敛；s5、提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，返回执行s2，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；s6、利用所述训练好的隐蔽滑坡智能判识模型进行滑坡识别。2.根据权利要求1所述的一种隐蔽滑坡目标识别与语义分割方法，其特征在于，采用所述准目标级对比学习策略，对所述译码器进行训练至收敛，包括：构造准目标级准目标级正负样本集合，且所述准目标级准目标级正负样本集合与所述第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将所述译码器训练至收敛。3.根据权利要求1所述的一种隐蔽滑坡目标识别与语义分割方法，其特征在于，所述准目标级对比学习策略，将所述准目标级对比学习的滑坡语义分割网络训练至收敛，包括：构造准目标级准目标级正负样本集合，且所述准目标级正负样本集合与所述第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将所述准目标级对比学习的滑坡语义分割网络训练至收敛。4.根据权利要求1所述的一种隐蔽滑坡目标识别与语义分割方法，其特征在于，所述第一编码器采用深度卷积神经网络，则通过所述第一编码器提取第一输入图像的语义特征的过程，包括：通过深度卷积神经网络中的多层堆叠的卷积操作，并结合注意力机制提取所述第一输入图像的语义特征。
5.根据权利要求1所述的一种隐蔽滑坡目标识别与语义分割方法，其特征在于，所述译码器包括上采样块，所述上采样块包括依次设置的卷积层和转置卷积层，所述译码器基于所述第三输入图像的语义特征计算所述第三输入图像中每个像素的类置信度，包括：通过所述上采样块将所述第三输入图像的语义特征恢复到所述第三输入图像的尺寸，计算所述第三输入图像中每个像素的类置信度。6.一种隐蔽滑坡目标识别与语义分割系统，其特征在于，包括模型建立模块、第一训练子模块、第二训练子模块、第三训练子模块、第四训练子模块和识别模块；所述模型建立模块用于：建立包括目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的隐蔽滑坡智能判识模型，所述目标级对比学习的滑坡目标分类网络包括分类器，以及两个结构相同且共享网络参数的孪生网络结构的第一编码器和第二编码器，所述准目标级对比学习的滑坡语义分割网络包括第三编码器和译码器，所述第三编码器的结构与所述第一编码器的结构相同；所述目标级对比学习的滑坡目标分类网络用于：通过所述第一编码器提取第一输入图像的语义特征，通过所述第二编码器提取第二输入图像的语义特征，对所述第一输入图像的语义特征和所述第二输入图像的语义特征进行通道拼接，得到用于表征所述第一输入图像和所述第二输入图像的高维特征图，所述分类器根据所述高维特征图得到所述第一输入图像和所述第二输入图像共同对应的类置信度；所述准目标级对比学习的滑坡语义分割网络用于：通过所述第三编码器提取第三输入图像的语义特征，利用所述译码器，基于所述第三输入图像的语义特征计算所述第三输入图像中每个像素的类置信度，根据每个像素的类置信度，得到像素级滑坡识别结果；所述第一训练子模块用于：基于数据集，将所述目标级对比学习的滑坡目标分类网络训练至收敛；所述第二训练子模块用于：提取收敛后的目标级对比学习的滑坡目标分类网络中的第一编码器或第二编码器的网络参数，加载到所述第三编码器并冻结，然后采用所述准目标级对比学习策略，对所述译码器进行训练至收敛；所述第三训练子模块用于：解锁所述第三编码器的网络参数，采用所述准目标级对比学习策略，对所述准目标级对比学习的滑坡语义分割网络进行训练至收敛；所述第四训练子模块用于：提取收敛后的准目标级对比学习的滑坡语义分割网络中的第三编码器的网络参数，加载到当前的第一编码器和第二编码器，重新调用所述第一训练子模块、所述第二训练子模块和所述第三训练子模块，直至得到符合预设条件的准目标级对比学习的滑坡语义分割网络，得到训练好的隐蔽滑坡智能判识模型；所述识别模块用于：利用所述训练好的隐蔽滑坡智能判识模型进行滑坡识别。7.根据权利要求6所述的一种隐蔽滑坡目标识别与语义分割系统，其特征在于，所述第二训练子模块具体用于：构造第一准目标级正负样本集合，且所述准目标级正负样本集合与所述第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将所述译码器训练至收敛。8.根据权利要求6所述的一种隐蔽滑坡目标识别与语义分割系统，其特征在于，所述第三训练子模块用于：
构造第二准目标级正负样本集合，且所述准目标级正负样本集合与所述第三编码器当前提取的语义特征的语义特征嵌入相对应，利用监督对比损失函数辅助交叉熵损失函数更新第三编码器，将所述准目标级对比学习的滑坡语义分割网络训练至收敛。9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至5中任一项所述的一种隐蔽滑坡目标识别与语义分割方法。10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。

技术总结
本发明涉及滑坡识别技术领域，尤其涉及一种隐蔽滑坡目标识别与语义分割方法、系统和电子设备，提出了目标级对比学习的滑坡目标分类网络和准目标级对比学习的滑坡语义分割网络的交替训练迭代优化的模型协同方法，利用准确性高的目标级对比学习的滑坡目标分类网络去监督高复杂度的准目标级对比学习的滑坡语义分割网络的特征提取，实现特征提取的可靠性提升，实验结果表明本发明能同时提高滑坡的目标级识别准确率与隐蔽滑坡轮廓识别的准确性。级识别准确率与隐蔽滑坡轮廓识别的准确性。级识别准确率与隐蔽滑坡轮廓识别的准确性。


技术研发人员：路子力 彭岳星 于峻川 孙宗军 葛大庆
受保护的技术使用者：中国自然资源航空物探遥感中心 青岛瑞翰科技集团有限公司
技术研发日：2023.04.17
技术公布日：2023/8/14