当前位置: 首页 > 科技成果列表 > 科技成果详细

基于无监督领域自适应的遥感跨域目标检测方法

技术类型:非专利

技术成熟度:-

转让方式:技术转让

应用领域:软件开发

技术领域:通信网络技术

交易价格:面议专利价值评估

应用案例:否

了解与分析本科技成果,可查看成果概况并使用以下技术转移数智化应用工具:
成果概况
简介

JCST_GAN针对传统CycleGAN 在遥感影像风格迁移过程中因对抗性约束不足导致的细节丢失、纹 理模糊等问题,提出了一种改进策略,以提升迁移后影像的细节保真度和纹理完整性。具体而言, JCST_GAN通过引入局部一致性约束以及增强生成器和判别器的对抗性训练,使模型能够更精准地保留 源域图像的局部特征,同时有效适应目标域风格,减少迁移过程中的信息损失。这一改进不仅提升了影像 的视觉质量,还确保了遥感图像中的微小目标和关键地物结构在迁移后仍然清晰可辨。

实验结果表明,在跨域遥感目标检测任务中,JCST _CycleGAN 相比传统CycleGAN 在多个检测模型 (如YOLOv8 、Faster R-CNN、FCOS、RE-DETR)上的平均检测精度(mAP) 提高了2%-4%。特别是在小目 标检测任务上,JCST_GAN具有显著优势,能够更准确地保留风力涡轮机、机场跑道等目标的形态特征,为 复杂场景下的跨域遥感分析提供了一种高保真度的影像迁移方案,进一步拓展了无监督域适应技术在遥 感智能分析领域的应用潜力。

遥感目标检测通常是利用高分辨率图像进行的,这些图像通常包含丰富的细节信息,但CycleGAN 在 设计时主要针对中低分辨率图像的风格迁移,在对高分辨率图像时,现有的网络深度和复杂度不足以捕捉 到所有细节信息。且生成器在生成高分辨率图像时,不能有效地捕捉和重现细微的纹理和边缘信息。这就 导致迁移后的图像会丢失大量的细节和纹理信息。考虑到上述问题,为保证利用CycleGAN 进行风格迁移 时能充分保留源图像的细节和纹理信息,我们设计了一个联合色彩空间变换的模块(简称JCST 模块)

首先,使用CycleGAN 网络对源域图像进行风格迁移,将其转换为目标域图像。在获得迁移后的目标 域图像后,对其进行色彩空间的转换,将图像从RGB色彩空间转换为YCbCr 色彩空间。YCbCr 色彩空间是 一种将亮度信息(Y通道)与色度信息( Cb 和Cr 通道)分离的表示方法。接着,分离迁移后的目标域图像的

Y、Cb和Cr 通道。提取出亮度信息(Y通道)和色度信息(Cb 和Cr 通道),并将源域原图像的Y通道与迁移后 的目标域图像的Cb 和Cr 通道结合。这种结合方法利用了源域图像的亮度信息,保持了原始图像的结构和 细节,同时通过目标域图像的色度信息赋予其目标域的色彩风格。最终,结合后的图像不仅保持了源域图 像的细节和结构,还融合了目标域的风格特征,从而生成具有视觉一致性和高质量的目标域图像。

利用改进后的JCST_GAN 模型在结构相似指数(SSIM) 和峰值信噪比(PSNR) 均有明显提升,表明改 进后的CycleGAN 能够更好地保留图像的细节和纹理信息,同时有效减少了风格迁移过程中可能出现的 图像失真现象。

在通信行业,基站设备的故障排查依赖于高分辨率的遥感影像,以精确监测设备状态、识别损坏情况。 然而,传统风格迁移方法(如CycleGAN) 在跨域遥感影像转换过程中容易导致细节模糊、纹理丢失,影响 基站设备的精准识别。JCST_GA N通过优化生成对抗网络的对抗性约束和局部特征保持机制,有效提升迁 移后影像的细节保真度和纹理完整性,确保微小设备和复杂环境中的关键结构清晰可见。这不仅有助于通 信公司精确定位设备故障,还能提高远程监测的精度和效率,减少人工巡检成本,保障网络的稳定运行。

此外,JCST_GA N在智慧城市、无人机巡检、能源设施监测等领域同样具有广泛的应用价值。例如,在 电网运维中,提升后的遥感影像可更准确地识别电力线路损坏、风电设备异常等问题,提高检修效率。在国 土安全与灾害监测方面,清晰的影像能增强对自然灾害(如地震、滑坡)造成基础设施损毁的评估能力。随 着5G、卫星互联网等新兴技术的发展,对高质量遥感数据的需求持续增长,JCST_GAN 可为多行业提供高 保真度的影像迁移解决方案,助力智能化监测与管理,市场前景广阔。

成果评价分析
技术应用分析
服务案例
Baidu
map