CN115359361B 一种sar影像域自适应动态优化地物分类模型训练方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115359361B(45)授权公告日2025.07.01

(21)申请号202210795908.0

(22)申请日2022.07.07

(65)同一申请的已公布的文献号申请公布号CN115359361A

(43)申请公布日2022.11.18

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人焦李成李玲玲王梦娇刘芳刘旭任仲乐陈璞花郭雨薇侯彪杨淑媛唐旭张向荣

白静

(74)专利代理机构西安嘉思特知识产权代理事

务所(普通合伙)61230专利代理师勾慧敏

(51)Int.CI.

GO6V20/13(2022.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/0475(2023.01)

GO6N3/094(2023.01)

GO6N3/088(2023.01)

GO6V10/44(2022.01)

(56)对比文件

US2022028038A1,2022.01.27CN112991353A,2021.06.18

审查员王黎明

权利要求书2页说明书10页附图3页

(54)发明名称

一种SAR影像域自适应动态优化地物分类模型训练方法

(57)摘要

CN115359361B本发明公开了一种SAR影像域自适应动态优化地物分类模型训练方法，包括：获取有标签的源域SAR影像和无标签的目标域SAR影像，生成源域、目标域训练样本；初始化第一待训练模型；将源域、目标域训练样本输入至第一待训练模型，并在确定第一损失值及预设损失函数的梯度后，更新分割网络的网络参数，得到第二待训练模型；根据第一损失值、偏好向量、第一待训练模型的任务数量和分割网络的参数数量，计算动态优化系数；将源域、目标域训练样本输入第二待训练模型，并确定第二损失值；利用动态优化系数、不同任务的损失值及损失函数梯度，调整第二待训练模型的网络参数；迭代次数达到预设值时，获得地物分类模型。本发明提高了

CN115359361B

获取有标签的源域

获取有标签的源域SAR影像和无标签的目标域SAR影

像后，根据源域SAR影像及源域SAR影像对应的标签

生成源域训练样本，并根据目标域SAR影像生成目标

城训练样本

初始化分割网络和判别器网络，得到第一待训练模型

将源域训练样本和目标域训练样木输入至第一待训练模型，并根据预设损失函数确定第一损失值

根据第一损失值及预设损失函数的梯度，通过反向传播更新第一待训练模型中分割网络的网络参数，得到第二

待训练模型

根据第一损失值、预设偏好向量、第一待训练模型的任

务数量和分割网络的参数数量，确定动态优化模块，并

利用动态优化模块计算动态优化系数

预设损失函数包括不同任务的损失函数，第二损失值

包括不同任务对应的损失值

利用动态优化系数、不同任务对应的损失值以及不同任务损失函数的梯度，调整第二待训练模型的网络参数

否

将调整后的第二待训练模型中的分割网络确定为地物分类模型

CN115359361B权利要求书1/2页

2

1.一种SAR影像域自适应动态优化地物分类模型训练方法，其特征在于，包括：

获取有标签的源域SAR影像和无标签的目标域SAR影像后，根据所述源域SAR影像及源域SAR影像对应的标签生成源域训练样本，并根据所述目标域SAR影像生成目标域训练样本；

初始化分割网络和判别器网络，得到第一待训练模型；

将所述源域训练样本和所述目标域训练样本输入至所述第一待训练模型，并根据预设损失函数确定第一损失值；

根据所述第一损失值及所述预设损失函数的梯度，通过反向传播更新所述第一待训练模型中分割网络的网络参数，得到第二待训练模型；

根据所述第一损失值、偏好向量、所述第一待训练模型的任务数量和分割网络的参数数量，确定动态优化模块，并利用所述动态优化模块计算动态优化系数；

将所述源域训练样本和所述目标域训练样本输入至所述第二待训练模型，并根据