一种基于交叉域师生互训的倒塌建筑物检测方法和系统

1.本发明属于灾害响应和倒塌建筑物检测领域，尤其涉及一种基于交叉域师生互训的倒塌建筑物检测方法和系统。


背景技术：

2.检测受损或倒塌建筑对于地震灾害应急响应至关重要。在倒塌建筑物检测的相关算法中，可以通常分为两类：一类是基于灾前和灾后图像之间的变化检测；另一类是仅基于灾后图像的检测。由于变化检测需要进行大量的预处理，且地震灾害存在很大的偶然性，导致即时的灾前航空数据很难获取。因此，大多数算法和技术是基于灾后图像上构建检测模型。
3.近年来，深度学习在目标检测领域得到了广泛应用，提出了许多成功的目标检测模型，如faster-rcnn和yolo等这些成熟的基于深度学习的目标检测模型已经被应用于检测倒塌的建筑物。然而，深度学习模型的训练通常需要大量标记数据。由于航空遥感数据收集的门槛较高，同时地震倒塌受损的建筑物数据又比较稀缺，因此可供深度学习模型训练的相关数据集非常稀少。此外，单个场景中受损区域有限，特征多样性不足。以上限制，导致使用先标注数据然后对模型进行监督训练，这种传统目标检测模型训练范式训练得到的倒塌建筑物检测模型有以下两个问题：
4.1.训练样本不足导致模型识别准确率不高；
5.2.由于航空数据和卫星数据为不同图像域的数据，基于航空数据训练的模型，在卫星数据上表现明显变差。
6.这些问题限制了深度学习在地震灾害响应应用中的发展。
7.在深度学习领域的现有技术中，往往使用半监督学习来应对标注样本少的问题。半监督目标检测技术是利用标注、弱标注或未标注数据来训练目标检测器。同时航空数据和卫星数据可以认为是不同图像域的数据，域适应算法可以帮助模型提升在不同图像域上的平均表现。但目前还没有将半监督学习和域适应算法结合到地震倒塌建筑物检测中的技术。
8.现有技术一的技术方案
9.文献《earthquake-induced building damage mapping based on multi-task deep learning framework》提出的技术主要原理为将带标注的震后图像数据输入深度学习语义分割模型进行训练，令模型除了检测倒塌建筑以外还要检测正常的建筑，强化网络的特征学习。
10.现有技术一的缺点
11.1.此技术仍然为传统监督学习的训练范式，没有使用无标签数据的机制。
12.2.不能解决当标注样本少时产生的过拟合问题，以及模型在航空数据和卫星数据之间的域迁移问题。
13.现有技术二的技术方案
14.一项名为“cross-domain adaptive teacher for object detection”的研究提出了一种类似的师生框架，用于解决目标检测中的域适应问题。在这项研究中，源域有标签，目标域无标签，因此存在域间的差异。该研究提出了一种名为“自适应教师”的自训练框架，尝试解决模型域迁移问题，并通过对抗学习和相互学习提高目标领域的伪标签质量。该模型包括两个独立的模块：目标特定的教师模型和跨领域的学生模型。这项研究也应用了弱强增强技术，并使用了faster r-cnn作为检测器的骨干网络。
15.现有技术二的缺点
16.1.在解决源域数据和目标域数据之间域迁移问题时，仅在特征图层面通过损失函数和discriminator来约束特征提取模块(feature encoder)，而没有在原始输入图像层面针对图像域之间的差异做对齐或过渡。
17.2.没有在航空遥感和卫星遥感图像上，特别是倒塌建筑物检测上验证或应用。
18.3.没有针对性的解决航空遥感图像和卫星遥感图像的跨图像域目标检测问题。
19.4.数据增强方式上没有根据两个域的图像特性进行针对性设计，仍然使用传统的强随机数据增强方式容易导致训练不稳定，偏差增大。


技术实现要素：

20.为解决上述技术问题，本发明提出一种基于交叉域师生互训的倒塌建筑物检测方法的技术方案，以解决上述技术问题。
21.本发明第一方面公开了一种基于交叉域师生互训的倒塌建筑物检测方法，所述方法包括：
22.步骤s1、构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集；
23.步骤s2、应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；
24.步骤s3、应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络；
25.步骤s4、将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；
26.步骤s5、应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；
27.步骤s6、重复步骤s2～s5对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；
28.步骤s7、将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。
29.根据本发明第一方面的方法，在所述步骤s2中，选择二阶段模型faster-rcnn作为教师网络。
30.根据本发明第一方面的方法，在所述步骤s2中，应用损失函数根据本发明第一方面的方法，在所述步骤s2中，应用损失函数对所述教师网络进行训练；
31.其中，表示rpn分类损失，表示rpn回归损失，表示roi分类损失，表示roi回归损失。
32.根据本发明第一方面的方法，在所述步骤s3中，所述航空卫星风格迁移网络的网络结构学习一个映射g：x1→
x2和f：x2→
x1；
33.x1代表航空光学遥感数据，x2代表卫星光学遥感数据，g和f表示映射函数；
34.将循环一致性损失函数与x1和x2的对抗损失函数相结合，得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。
35.根据本发明第一方面的方法，在所述步骤s3中，选择cycle-gan网络作为航空卫星风格迁移网络。
36.根据本发明第一方面的方法，在所述步骤s4中，所述将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络的方法包括：
37.将伪卫星光学遥感数据分别与所述人工标注和伪标签组成两组训练数据对，将所述两组训练数据对作为输入，训练学生网络。
38.根据本发明第一方面的方法，在所述步骤s4中，所述学生网络模型由一个r-cnn网络和一个cycle-gan网络组成；在所述cycle-gan网络中，使用resnet作为生成器和判别器的基本网络。
39.本发明第二方面公开了一种基于交叉域师生互训的倒塌建筑物检测系统，所述系统包括：
40.第一处理模块，被配置为，构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集；
41.第二处理模块，被配置为，应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；
42.第三处理模块，被配置为，应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络；
43.第四处理模块，被配置为，将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；
44.第五处理模块，被配置为，应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；
45.第六处理模块，被配置为，重复第二处理模块～第五处理模块对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；
46.第七处理模块，被配置为，将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。
47.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于交叉域师生互训的倒塌建筑物检测方法中的步骤。
48.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于交叉
域师生互训的倒塌建筑物检测方法中的步骤。
49.综上，本发明提出的方案能够有效利用大量无标注遥感图像数据，能够减少模型对人工标注的依赖，在航空数据和卫星数据上对倒塌建筑物进行检测时，均能获得良好的准确率，提升模型的泛化性和域迁移能力；通过航空遥感和卫星遥感图像数据有效地检测出损坏建筑物，能够提升地震灾害应急响应能力，帮助救援人员快速定位损坏的建筑物。
附图说明
50.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1为根据本发明实施例的一种基于交叉域师生互训的倒塌建筑物检测方法的流程图；
52.图2为根据本发明实施例的教师网络训练示意图；
53.图3为根据本发明实施例的航空卫星风格迁移网络训练示意图；
54.图4为根据本发明实施例的学生网络训练示意图；
55.图5为根据本发明实施例的教师网络的参数更新示意图；
56.图6为根据本发明实施例的航空卫星风格迁移网络训练过程中输出结果图；
57.图7为根据本发明实施例的一种基于交叉域师生互训的倒塌建筑物检测系统的结构图；
58.图8为根据本发明实施例的一种电子设备的结构图。
具体实施方式
59.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.本发明第一方面公开了一种基于交叉域师生互训的倒塌建筑物检测方法。图1为根据本发明实施例的一种基于交叉域师生互训的倒塌建筑物检测方法的流程图，如图1所示，所述方法包括：
61.步骤s1、构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集；
62.步骤s2、应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；
63.步骤s3、应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络；
64.步骤s4、将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；
65.步骤s5、应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；
66.步骤s6、重复步骤s2～s5对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；
67.步骤s7、将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。
68.在步骤s1，构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集。
69.具体地，构建数据集db-arsd，其中包括3000张卫星图像和1000张航拍图像。这些图像都是在地震、飓风等自然灾害后收集的。在这些图像中标记了损坏建筑物的边界框。
70.在步骤s2，如图2所示，应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络f(θ)，得到伪标签
71.在一些实施例中，在所述步骤s2中，选择二阶段模型faster-rcnn作为教师网络。
72.应用损失函数对所述教师网络进行训练；
73.其中，表示rpn分类损失，表示rpn回归损失，表示roi分类损失，表示roi回归损失。
74.在步骤s3，如图3所示，应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络g(θ)，生成伪卫星光学遥感数据所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络。
75.在一些实施例中，在所述步骤s3中，所述航空卫星风格迁移网络的网络结构学习一个映射g：x1→
x2和f：x2→
x1；
76.x1代表航空光学遥感数据，x2代表卫星光学遥感数据，g和f表示映射函数；
77.将循环一致性损失函数与x1和x2的对抗损失函数相结合，得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。
78.选择cycle-gan网络作为航空卫星风格迁移网络。
79.具体地，循环一致性损失函数鼓励f(g(x1))≈x
1 and g(f(x2))≈x2。将此损失函数与x1和x2的对抗损失函数相结合，便得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。对于映射g：x1→
x2，及其鉴别器dy其目标函数为：
[0080][0081]
其中g试图生成看起来类似于来自域x2的图像g(x1)，而dy试图区分转换样本g(x1)和真实样本x2。
[0082]
对于映射：f：x2→
x1，以及其判别器d
x
，使用类似的损失函数。循环一致性损失通过强制前向和后向一致性来减少可能映射函数的空间：
[0083][0084]
完整的目标函数为：
[0085]
l
gan
(g，f，d
x
，dy)＝l
gan
(g，dy，x，y)+l
gan
(f，d
x
，x，y)+λl
cyc
(g，f)。
[0086]
在航空卫星风格迁移网络训练过程中，其生成的风格迁移图像会随着训练轮数的
增加逐渐由航空光学遥感数据向卫星光学遥感数据转化，如图5所示。
[0087]
在步骤s4，如图4所示，将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络f(ε)。
[0088]
在一些实施例中，在所述步骤s4中，所述将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络的方法包括：
[0089]
将伪卫星光学遥感数据分别与所述人工标注和伪标签组成两组训练数据对，将所述两组训练数据对作为输入，训练学生网络。
[0090]
所述学生网络模型由一个r-cnn网络和一个cycle-gan网络组成；在所述cycle-gan网络中，使用resnet作为生成器和判别器的基本网络。
[0091]
具体地，学生网络训练中，学生网络的初始结构和参数由在步骤s2训练的教师网络继承得到。将f(θ)和g(θ)网络参数固定，输入x1至f(θ)得到输入x1至g(θ)得到再从原有训练数据对中取出人工标注y1，组成，组成和两组训练数据对，最后，将组合的新训练批次数据输入到f(ε)进行训练。
[0092]
将航空卫星风格迁移网络和学生网络训练同步进行，因此能把每一轮训练中航空卫星风格迁移网络生成的数据都作为学生网络的训练数据，这让学生网络能够学习到更多的特征和信息。
[0093]
在步骤s5，如图5所示，应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新。
[0094]
具体地，mθ+(1-m)ε
→
θ，m∈[0，1]，其中，m通常取0.999，根据实际训练情况控制学生网络通过ema向教师网络传递参数的速度。
[0095]
ema算法的引入能够让网络在参数更新时保留住训练数据中的有用信息，从而最终提升模型的训练效果。
[0096]
在模型的训练过程中，使用adam优化器进行参数优化，学习率初始值为0.001，权重衰减系数为0.0005。在训练中，将batch size设置为4，epoch数设置为50。为了避免过拟合，使用dropout技术和数据增强方法，如旋转、翻转和缩放等。
[0097]
综上，本发明提出的方案能够有效利用大量无标注遥感图像数据，能够减少模型对人工标注的依赖，在航空数据和卫星数据上对倒塌建筑物进行检测时，均能获得良好的准确率，提升模型的泛化性和域迁移能力；通过航空遥感和卫星遥感图像数据有效地检测出损坏建筑物，能够提升地震灾害应急响应能力，帮助救援人员快速定位损坏的建筑物。
[0098]
本发明第二方面公开了一种基于交叉域师生互训的倒塌建筑物检测系统。图7为根据本发明实施例的一种基于交叉域师生互训的倒塌建筑物检测系统的结构图；如图7所示，所述系统100包括：
[0099]
第一处理模块101，被配置为，构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集；
[0100]
第二处理模块102，被配置为，应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；
[0101]
第三处理模块103，被配置为，应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的
结构是一种非配对图像到图像转换的生成对抗网络；
[0102]
第四处理模块104，被配置为，将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；
[0103]
第五处理模块105，被配置为，应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；
[0104]
第六处理模块106，被配置为，重复第二处理模块～第五处理模块对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；
[0105]
第七处理模块107，被配置为，将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。
[0106]
根据本发明第二方面的系统，所述第一处理模块101具体被配置为，构建数据集db-arsd，其中包括3000张卫星图像和1000张航拍图像。这些图像都是在地震、飓风等自然灾害后收集的。在这些图像中标记了损坏建筑物的边界框。
[0107]
根据本发明第二方面的系统，所述第二处理模块102具体被配置为，选择二阶段模型faster-rcnn作为教师网络。
[0108]
应用损失函数对所述教师网络进行训练；
[0109]
其中，表示rpn分类损失，表示rpn回归损失，表示roi分类损失，表示roi回归损失。
[0110]
根据本发明第二方面的系统，所述第三处理模块103具体被配置为，所述航空卫星风格迁移网络的网络结构学习一个映射g：x1→
x2和f：x2→
x1；
[0111]
x1代表航空光学遥感数据，x2代表卫星光学遥感数据，g和f表示映射函数；
[0112]
将循环一致性损失函数与x1和x2的对抗损失函数相结合，得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。
[0113]
选择cycle-gan网络作为航空卫星风格迁移网络。
[0114]
具体地，循环一致性损失函数鼓励f(g(x1))≈x1and g(f(x2))≈x2。将此损失函数与x1和x2的对抗损失函数相结合，便得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。对于映射g：x1→
x2，及其鉴别器dy其目标函数为：
[0115][0116]
其中g试图生成看起来类似于来自域x2的图像g(x1)，而dy试图区分转换样本g(x1)和真实样本x2。
[0117]
对于映射：f：x2→
x1，以及其判别器d
x
，使用类似的损失函数。循环一致性损失通过强制前向和后向一致性来减少可能映射函数的空间：
[0118][0119]
完整的目标函数为：
[0120]
l
gan
(g，f，d
x
，dy)＝l
gan
(g，dy，x，y)+l
gan
(f，d
x
，x，y)+λl
cyc
(g，f)。
[0121]
在航空卫星风格迁移网络训练过程中，其生成的风格迁移图像会随着训练轮数的增加逐渐由航空光学遥感数据向卫星光学遥感数据转化。
[0122]
根据本发明第二方面的系统，所述第四处理模块104具体被配置为，所述将所述伪
卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络的方法包括：
[0123]
将伪卫星光学遥感数据分别与所述人工标注和伪标签组成两组训练数据对，将所述两组训练数据对作为输入，训练学生网络。
[0124]
所述学生网络模型由一个r-cnn网络和一个cycle-gan网络组成；在所述cycle-gan网络中，使用resnet作为生成器和判别器的基本网络。
[0125]
具体地，学生网络训练中，学生网络的初始结构和参数由在第二处理模块102训练的教师网络继承得到。将f(θ)和g(θ)网络参数固定，输入x1至f(θ)得到输入x1至g(θ)得到再从原有训练数据对中取出人工标注y1，组成和两组训练数据对，最后，将组合的新训练批次数据输入到f(ε)进行训练。
[0126]
将航空卫星风格迁移网络和学生网络训练同步进行，因此能把每一轮训练中航空卫星风格迁移网络生成的数据都作为学生网络的训练数据，这让学生网络能够学习到更多的特征和信息。
[0127]
根据本发明第二方面的系统，所述第五处理模块105具体被配置为，mθ+(1-m)ε
→
θ，m∈[0，1]，其中，m通常取0.999，根据实际训练情况控制学生网络通过ema向教师网络传递参数的速度。
[0128]
ema算法的引入能够让网络在参数更新时保留住训练数据中的有用信息，从而最终提升模型的训练效果。
[0129]
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种基于交叉域师生互训的倒塌建筑物检测方法中的步骤。
[0130]
图8为根据本发明实施例的一种电子设备的结构图，如图8所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信(nfc)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0131]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0132]
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种基于交叉域师生互训的倒塌建筑物检测方法中的步骤中的步骤。
[0133]
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方
式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，所述方法包括：步骤s1、构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感数据的数据集；步骤s2、应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；步骤s3、应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络；步骤s4、将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；步骤s5、应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；步骤s6、重复步骤s2～s5对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；步骤s7、将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。2.根据权利要求1所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s2中，选择二阶段模型faster-rcnn作为教师网络。3.根据权利要求2所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s2中，应用损失函数于，在所述步骤s2中，应用损失函数对所述教师网络进行训练；其中，表示rpn分类损失，表示rpn回归损失，表示roi分类损失，表示roi回归损失。4.根据权利要求1所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s3中，所述航空卫星风格迁移网络的网络结构学习一个映射g：x1→
x2和f：x2→
x1；x1代表航空光学遥感数据，x2代表卫星光学遥感数据，g和f表示映射函数；将循环一致性损失函数与x1和x2的对抗损失函数相结合，得到航空卫星风格迁移网络训练的非配对图像到图像转换的完整目标函数。5.根据权利要求4所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s3中，选择cycle-gan网络作为航空卫星风格迁移网络。6.根据权利要求1所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s4中，所述将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络的方法包括：将伪卫星光学遥感数据分别与所述人工标注和伪标签组成两组训练数据对，将所述两组训练数据对作为输入，训练学生网络。7.根据权利要求6所述的一种基于交叉域师生互训的倒塌建筑物检测方法，其特征在于，在所述步骤s4中，所述学生网络模型由一个r-cnn网络和一个cycle-gan网络组成；在所述cycle-gan网络中，使用resnet作为生成器和判别器的基本网络。8.一种用于基于交叉域师生互训的倒塌建筑物检测系统，其特征在于，所述系统包括：第一处理模块，被配置为，构建包括倒塌建筑物的航空光学遥感数据和卫星光学遥感
数据的数据集；第二处理模块，被配置为，应用航空光学遥感数据的人工标注和所述航空光学遥感数据作为输入，训练教师网络，得到伪标签；第三处理模块，被配置为，应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；所述航空卫星风格迁移网络的结构是一种非配对图像到图像转换的生成对抗网络；第四处理模块，被配置为，将所述伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；第五处理模块，被配置为，应用ema算法将本轮训练完成的学生网络中的参数更新到所述教师网络中，对所述教师网络的参数进行更新；第六处理模块，被配置为，重复第二处理模块～第五处理模块对所述教师网络进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；第七处理模块，被配置为，将航空光学遥感数据输入所述目标检测模型，检测倒塌建筑物。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种基于交叉域师生互训的倒塌建筑物检测方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种基于交叉域师生互训的倒塌建筑物检测方法中的步骤。

技术总结
本发明提出一种基于交叉域师生互训的倒塌建筑物检测方法和系统。其中，方法包括：应用航空光学遥感数据的人工标注和航空光学遥感数据作为输入，训练教师网络，得到伪标签；应用航空光学遥感数据和卫星光学遥感数据作为输入，训练航空卫星风格迁移网络，生成伪卫星光学遥感数据；将伪卫星光学遥感数据、人工标注和伪标签作为输入，训练学生网络；应用EMA算法将本轮训练完成的学生网络中的参数更新到教师网络中，对教师网络的参数进行更新，并进行训练迭代，训练完成的教师网络即为最终获取的目标检测模型；将航空光学遥感数据输入目标检测模型，检测倒塌建筑物。本发明提出的方案能够通过航空遥感和卫星遥感图像数据有效地检测出损坏建筑物。测出损坏建筑物。测出损坏建筑物。


技术研发人员：尹鹏宇 潘洁 谭骏翔 王旻罡 杨宏
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：2023.07.04
技术公布日：2023/9/20