改进CycleGAN的半监督建筑物提取算法

来源：计算机工程杂志2025年第3期北京时间：

作者：卢鹏, 仲闯

单位：上海海洋大学信息学院, 上海 201306

摘要：建筑物提取需要大量的标注数据进行训练, 收集和标注数据需要耗费大量时间。为了在小样本遥感图像数据集上基于半监督学习实现建筑物提取的目的, 构建4组建筑物提取数据集, 提出了一种基于循环一致性生成对抗网络(CycleGAN)的建筑物提取算法。首先, 在生成器中引入全局注意力机制(GAM)以增强对建筑物和图像背景细节特征的区分; 其次, 在判别器中加入谱归一化层以增强训练稳定性, 解决了训练过程中梯度消失问题; 最后, 改进对抗损失和循环一致性损失以提高生成图像的质量, 避免生成图像的过度平滑化, 并引入Identity损失以限制生成器不会自主修改输入图像的颜色, 保证输入图像与输出图像颜色组成的一致性。实验结果表明, 在第1组小样本数据集上, 与UNIT、MUNIT、U-GAT-IT、SPatchGAN、QS-Attn模型进行半监督实验对比, 结构相似性(SSIM)值和准确率分别至少提高了3、8.1百分点, 在扩充数据规模的数据集上, 使用改进后的算法进行全监督和半监督实验对比, 验证了改进后的算法在小样本遥感图像数据集上实现建筑物半监督提取的有效性。

关键词：建筑物提取,循环一致性生成对抗网络,谱归一化,全局注意力机制,半监督

基金资助：上海市科技创新计划项目(20dz1203800); 地方高校能力建设项目(19050502100)