CN112329852B - 地表覆盖影像的分类方法、装置和电子设备 - Google Patents
地表覆盖影像的分类方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112329852B CN112329852B CN202011224287.8A CN202011224287A CN112329852B CN 112329852 B CN112329852 B CN 112329852B CN 202011224287 A CN202011224287 A CN 202011224287A CN 112329852 B CN112329852 B CN 112329852B
- Authority
- CN
- China
- Prior art keywords
- training data
- target
- target training
- image
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本申请公开了一种地表覆盖影像的分类方法、装置和电子设备,属于遥感图像处理领域,用以使得遥感图像处理领域深度学习不再受限于遥感图像的样本数量,提高生产效率,避免了人工作业所造成的误差。所述方法包括:通过获取一景地表覆盖影像;对所述一景地表覆盖影像进行划分,获取目标训练数据;对所述目标训练数据进行深度学习,训练目标分类模型;将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
Description
技术领域
本申请属于遥感图像处理领域,具体涉及一种地表覆盖影像的分类方法、装置和电子设备。
背景技术
在基于遥感图像测绘地表覆盖的生产中,现有深度学习受限于遥感图像的样本数量,无法大规模使用。在实际生产处理中,在基于诸如对象提取和光谱分析提取等的自动化处理的基础上,需要结合人工在遥感获取的影像中绘制地表分类覆盖矢量图层,将不同的地物进行区分,生产效率低,也存在人工作业所造成的误差。
发明内容
本申请实施例的目的是提供一种地表覆盖影像的分类方法、装置和电子设备,能够解决生产效率低、存在人工作业所造成的误差的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种地表覆盖影像的分类方法,包括:获取一景地表覆盖影像;对所述一景地表覆盖影像进行划分,获取目标训练数据;对所述目标训练数据进行深度学习,训练目标分类模型;将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
第二方面,本申请实施例提供了一种地表覆盖影像的分类装置,包括:获取模块,用于获取一景地表覆盖影像;划分模块,用于对所述一景地表覆盖影像进行划分,获取目标训练数据;训练模块,用于对所述目标训练数据进行深度学习,训练目标分类模型;处理模块,用于将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
本发明实施例提供的一种地表覆盖影像的分类方法、装置和电子设备,通过获取一景地表覆盖影像;对所述一景地表覆盖影像进行划分,获取目标训练数据;对所述目标训练数据进行深度学习,训练目标分类模型;将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果,使得遥感图像处理领域深度学习不再受限于遥感图像的样本数量,从而提高了生产效率,也避免了人工作业所造成的误差。
附图说明
图1示出本发明实施例提供的地表覆盖影像的分类方法的一种流程示意图;
图2示出的一景地表覆盖影像的一种示意图;
图3示出本发明实施例提供的地表覆盖影像的分类方法的另一种流程示意图;
图4示出本发明实施例提供的地表覆盖影像的分类方法的另一种流程示意图;
图5示出本发明实施例提供的地表覆盖影像的分类方法的另一种流程示意图;
图6示出本发明实施例提供的地表覆盖影像的分类方法的另一种流程示意图;
图7示出本发明实施例提供的地表覆盖影像的分类装置的一种结构示意图;
图8示出本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的地表覆盖影像的分类方法进行详细地说明。
图1示出本发明实施例提供的地表覆盖影像的分类方法,该方法可以由终端设备和/或服务器设备执行,具体包括:
S102:获取一景地表覆盖影像。
通过遥感设备获取一景地表覆盖影像,其中,遥感设备拍摄一次所拍摄到的画面为一景影像,遥感设备例如可以包括卫星、无人机、蒸气球等。卫星获取的一景地表覆盖影像具有覆盖区域大的特点,一景地表覆盖影像所包含的面积由数千平方公里至数万平方公里不等。图2示出一景地表覆盖影像的示意图。
S104:对所述一景地表覆盖影像进行划分,获取目标训练数据。
例如,对图2示出的一景地表覆盖影像的示意图进行划分,获取目标训练数据,例如图2中的目标训练数据21。
S106:对所述目标训练数据进行深度学习,训练目标分类模型。
目标分类模型可以为任意一种用于地表覆盖影像分类的模型,目标分类模型可配置主干神经网络,比如ResNet、ResNext、ResNeSt或Xception等。
S108:将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
将S102中获取的一景地表覆盖影像,即图2中的地表覆盖影像22,输入S106中训练得到的所述目标分类模型,由此获得对地表覆盖影像22进行分类的分类结果。
通常,在深度学习中,训练数据集和验证数据集不相交,即S106中用于训练模型的训练数据和S108中输入模型获得分类结果的数据不是同一数据,需要将第一景地表覆盖影像作为训练数据以训练模型,在将第二景地表覆盖影像输入训练模型以实现对第二景地表覆盖影像的分类,而第一景本身仅作为训练数据,而无法得到最终分类结果。此时,在遥感图像处理领域会出现深度学习受限于遥感图像的样本数量的问题,使得对遥感图像的分类无法实现自动化。
然而,本步骤中,克服了深度学习中的技术障碍,S106中用于训练模型的训练数据和S108中输入模型获得分类结果的数据采用同一数据,结合图2所示训练数据21和输入模型获得分类结果的数据22均采用S102中遥感获取的同一景地表覆盖影像,使得同一景地表覆盖影像能够用于训练模型,并且在训练模型后还能够实现对该一景地表覆盖影像的自动分类,使得遥感图像处理领域深度学习不再受限于遥感图像的样本数量,从而提高了生产效率,也避免了人工作业所造成的误差。
由此,本发明实施例提供的一种地表覆盖影像的分类方法,通过获取一景地表覆盖影像;对所述一景地表覆盖影像进行划分,获取目标训练数据;对所述目标训练数据进行深度学习,训练目标分类模型;将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果,使得遥感图像处理领域深度学习不再受限于遥感图像的样本数量,从而提高了生产效率,也避免了人工作业所造成的误差。
图3示出本发明实施例提供的地表覆盖影像的分类方法,该方法可以由终端设备和/或服务器设备执行,具体包括:
S302:获取一景地表覆盖影像。
本步骤可以采用图1实施例步骤S102的描述,在此不再赘述。
S304:从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据。
例如,对图2示出的一景地表覆盖影像的示意图进行划分,获取目标训练数据,例如图2中的目标训练数据21。
在一种实现方式中,所述预定比例与所述一景地表覆盖影像的影像质量负相关。具体来讲,在所述一景地表覆盖影像的影像质量较高的情况下,所述预定比例可以相对较低;反之,在所述一景地表覆盖影像的影像质量较低的情况下,所述预定比例可以相对较高。
在一种实现方式中,所述预定比例与所述一景地表覆盖影像中的地类数量正相关。具体来讲,在所述一景地表覆盖影像中的地类数量较多的情况下,所述预定比例可以相对较高;反之,在所述一景地表覆盖影像中的地类数量较少的情况下,所述预定比例可以相对较低。
可选地,所述预定比例可以为5%-20%,即目标训练数据21的面积占所述一景地表覆盖影像22面积的5%-20%。
S306:对所述目标训练数据进行深度学习,训练目标分类模型。
本步骤可以采用图1实施例步骤S106的描述,对于重复部分在此不再赘述。
结合上一步骤中介绍的所述预定比例与所述一景地表覆盖影像的影像质量负相关。这是由于所述预定比例较低,则目标训练数据的面积较小,在所述一景地表覆盖影像的影像质量较高的情况下,即使目标训练数据的面积较小但由于其影像质量高,因此,在本步骤中对其进行学习也能够准确地训练目标分类模型。反之,在所述一景地表覆盖影像的影像质量较低的情况下,则需要所述预定比例相对较高,使得目标训练数据的面积较大,才能够在本步骤中对其进行学习准确地训练目标分类模型。
S308:将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
本步骤可以采用图1实施例步骤S108的描述,对于重复部分在此不再赘述。
结合S204的说明,从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据。所述预定比例与所述一景地表覆盖影像的影像质量负相关;和/或所述预定比例与所述一景地表覆盖影像中的地类数量正相关。所述预定比例为5%-20%。这些技术手段,一方面,能够使得目标训练数据的划分即可以训练准确的目标分类模型,避免过少/小的目标训练数据导致所训练出的模型不准确,另一方面,能够避免过大/多的目标训练数据导致,验证数据过少/小,影响该一景地表覆盖影像的最终分类结果,其中,该一景地表覆盖影像22中除去目标训练数据21的部分可以视为验证数据。
图4示出本发明实施例提供的地表覆盖影像的分类方法,该方法可以由终端设备和/或服务器设备执行,具体包括:
S402:获取一景地表覆盖影像。
本步骤可以采用图1实施例步骤S102的描述,在此不再赘述。
S404:对所述一景地表覆盖影像进行划分,获取目标训练数据。
本步骤可以采用图1实施例步骤S104、图3实施例步骤S304的描述,在此不再赘述。
S406:对所述目标训练数据进行深度学习,训练目标分类模型。
本步骤可以采用图1实施例步骤S106、图3实施例步骤S306的描述,对于重复部分在此不再赘述。
S407:对所述目标训练数据进行评估。
在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息。
其中,所述目标参数包括:所述目标训练数据中地表类型的数量、所述目标训练数据中每种地表类型总的面积大小,以及所述目标训练数据中每种地表类型的面积其所述目标训练数据总面积的比例中的至少一者。
若过少/小的目标训练数据导致所训练出的模型不满足预定评估条件,则可以提醒用户扩充目标训练数据,以训练出满足预定评估条件的精确的目标训练模型,保证训练模型的成功率。
S408:将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
本步骤可以采用图1实施例步骤S108、图3实施例步骤S308的描述,对于重复部分在此不再赘述。
由此,本发明实施例提供的地表覆盖影像的分类方法,通过对所述目标训练数据进行评估,在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息,可以提醒用户扩充目标训练数据,以训练出满足预定评估条件的精确的目标训练模型,保证训练模型的成功率。
图5示出本发明实施例提供的地表覆盖影像的分类方法,该方法可以由终端设备和/或服务器设备执行,具体包括:
S502:获取一景地表覆盖影像。
本步骤可以采用图1实施例步骤S102的描述,在此不再赘述。
S504:对所述一景地表覆盖影像进行划分,获取目标训练数据。
本步骤可以采用图1实施例步骤S104、图3实施例步骤S304、图4实施例步骤S404的描述,在此不再赘述。
S506:通过目标参数配置多种候选模型,根据预定模型评估条件,从所述多种候选模型确定所述目标分类模型。
所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器。
S508:将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
本步骤可以采用图1实施例步骤S108、图3实施例步骤S308、图4实施例步骤S408的描述,对于重复部分在此不再赘述。
由此,本发明实施例提供的地表覆盖影像的分类方法,通过对所述目标训练数据进行评估,在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息,可以提醒用户扩充目标训练数据,以训练出满足预定评估条件的精确的目标训练模型,保证训练模型的成功率。
图6示出本发明实施例提供的地表覆盖影像的分类方法,该方法可以由终端设备和/或服务器设备执行,具体包括:
S602:获取一景地表覆盖影像。
本步骤可以采用图1实施例步骤S102的描述,在此不再赘述。
S604:对所述一景地表覆盖影像进行划分,获取目标训练数据。
本步骤可以采用图1实施例步骤S104、图3实施例步骤S304、图4实施例步骤S404的描述,在此不再赘述。
S606:接收任意尺寸的所述目标训练数据;采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;在所述上采样的特征图上进行逐像素分类;逐个像素计算分类的损失,每一个像素对应一个训练样本。
其中,上采样算法包括:反卷积、反池化、双线性插值等多种上采样算法中的至少一者。
与使用全连接层得到固定长度的特征向量进行分类不同,本步骤可以接受任意尺寸的输入图像,对图像进行像素级的分类。
所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器。
S608:将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
本步骤可以采用图1实施例步骤S108、图3实施例步骤S308、图4实施例步骤S408的描述,对于重复部分在此不再赘述。
由此,本发明实施例提供的地表覆盖影像的分类方法,通过接收任意尺寸的所述目标训练数据;采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;在所述上采样的特征图上进行逐像素分类;逐个像素计算分类的损失,每一个像素对应一个训练样本可以对图像进行像素级的分类。
需要说明的是,本申请实施例提供的地表覆盖影像的分类方法,执行主体可以为地表覆盖影像的分类装置,或者该地表覆盖影像的分类装置中的用于执行加载地表覆盖影像的分类方法的控制模块。本申请实施例中以地表覆盖影像的分类装置执行加载地表覆盖影像的分类方法为例,说明本申请实施例提供的地表覆盖影像的分类方法。
图7示出本发明实施例提供的地表覆盖影像的分类装置,该装置700包括:获取模块710、划分模块720、训练模块730和处理模块740。
获取模块710用于获取一景地表覆盖影像。划分模块720用于对所述一景地表覆盖影像进行划分,获取目标训练数据。训练模块730用于对所述目标训练数据进行深度学习,训练目标分类模型。处理模块740用于将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
在一种实现方式中,划分模块720用于:从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据。
在一种实现方式中,所述预定比例与所述一景地表覆盖影像的影像质量负相关;和/或所述预定比例与所述一景地表覆盖影像中的地类数量正相关。
在一种实现方式中,所述预定比例为5%-20%。
在一种实现方式中,划分模块720用于:在对所述一景地表覆盖影像进行划分,获取目标训练数据之后,对所述目标训练数据进行评估;在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息;其中,所述目标参数包括:所述目标训练数据中地表类型的数量、所述目标训练数据中每种地表类型总的面积大小,以及所述目标训练数据中每种地表类型的面积其所述目标训练数据总面积的比例中的至少一者。
在一种实现方式中,训练模块730通过目标参数配置多种候选模型,所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器;根据预定模型评估条件,从所述多种候选模型确定所述目标分类模型。
在一种实现方式中,训练模块730接收任意尺寸的所述目标训练数据;采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;在所述上采样的特征图上进行逐像素分类;逐个像素计算分类的损失,每一个像素对应一个训练样本。
本申请实施例中的地表覆盖影像的分类装置可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的地表覆盖影像的分类装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的地表覆盖影像的分类装置能够实现图1至图6的方法实施例中地表覆盖影像的分类装置实现的各个过程,为避免重复,这里不再赘述。
图8示出本申请实施例还提供一种电子设备,该电子设备可以为终端设备或服务器设备,该电子设备包括:天线81、射频装置82、基带装置83、网络接口84、存储器85和处理器86,存储在存储器85上并可在所述处理器86上运行的程序或指令,该程序或指令被处理器86执行时实现:获取一景地表覆盖影像;对所述一景地表覆盖影像进行划分,获取目标训练数据;对所述目标训练数据进行深度学习,训练目标分类模型;将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果。
在一种实现方式中,对所述一景地表覆盖影像进行划分,获取目标训练数据,包括:从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据。
在一种实现方式中,所述预定比例与所述一景地表覆盖影像的影像质量负相关;和/或所述预定比例与所述一景地表覆盖影像中的地类数量正相关。
在一种实现方式中,所述预定比例为5%-20%。
在一种实现方式中,在对所述一景地表覆盖影像进行划分,获取目标训练数据之后,对所述目标训练数据进行评估;在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息;其中,所述目标参数包括:所述目标训练数据中地表类型的数量、所述目标训练数据中每种地表类型总的面积大小,以及所述目标训练数据中每种地表类型的面积其所述目标训练数据总面积的比例中的至少一者。
在一种实现方式中,对所述目标训练数据进行深度学习,训练目标分类模型,包括:通过目标参数配置多种候选模型,所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器;根据预定模型评估条件,从所述多种候选模型确定所述目标分类模型。
在一种实现方式中,所述对所述目标训练数据进行深度学习,训练目标分类模型,包括:接收任意尺寸的所述目标训练数据;采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;在所述上采样的特征图上进行逐像素分类;逐个像素计算分类的损失,每一个像素对应一个训练样本。
具体实现过程如图1至图6的方法实施例中地表覆盖影像的分类装置实现的各个过程,为避免重复,这里不再赘述。
需要注意的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述地表覆盖影像的分类方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述地表覆盖影像的分类方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种地表覆盖影像的分类方法,其特征在于,包括:
获取一景地表覆盖影像;
对所述一景地表覆盖影像进行划分,获取目标训练数据;
对所述目标训练数据进行深度学习,训练目标分类模型;
将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果;
对所述一景地表覆盖影像进行划分,获取目标训练数据,包括:
从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据;
所述预定比例与所述一景地表覆盖影像的影像质量负相关;和/或所述预定比例与所述一景地表覆盖影像中的地类数量正相关;
在对所述一景地表覆盖影像进行划分,获取目标训练数据之后,所述方法包括:
对所述目标训练数据进行评估;
在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息;
其中,所述目标参数包括:所述目标训练数据中地表类型的数量、所述目标训练数据中每种地表类型总的面积大小,以及所述目标训练数据中每种地表类型的面积占 其所述目标训练数据总面积的比例中的至少一者。
2.根据权利要求1所述的分类方法,其特征在于,所述预定比例为5%-20%。
3.根据权利要求1所述的分类方法,其特征在于,对所述目标训练数据进行深度学习,训练目标分类模型,包括:
通过目标参数配置多种候选模型,所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器;
根据预定模型评估条件,从所述多种候选模型确定所述目标分类模型。
4.根据权利要求1所述的分类方法,其特征在于,所述对所述目标训练数据进行深度学习,训练目标分类模型,包括:
接收任意尺寸的所述目标训练数据;
采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;
对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;
在所述上采样的特征图上进行逐像素分类;
逐个像素计算分类的损失,每一个像素对应一个训练样本。
5.一种地表覆盖影像的分类装置,其特征在于,包括:
获取模块,用于获取一景地表覆盖影像;
划分模块,用于对所述一景地表覆盖影像进行划分,获取目标训练数据;
训练模块,用于对所述目标训练数据进行深度学习,训练目标分类模型;
处理模块,用于将所述一景地表覆盖影像输入所述目标分类模型,获得所述一景地表覆盖影像的分类结果;
所述划分模块用于:
从所述一景地表覆盖影像的面积中划分预定比例的区域,作为所述目标训练数据;
所述预定比例与所述一景地表覆盖影像的影像质量负相关;和/或所述预定比例与所述一景地表覆盖影像中的地类数量正相关;
所述划分模块用于:在对所述一景地表覆盖影像进行划分,获取目标训练数据之后,对所述目标训练数据进行评估;
在所述目标训练数据的目标参数不满足预定评估条件的情况下,显示用于提示扩充目标训练数据的提醒信息;
其中,所述目标参数包括:所述目标训练数据中地表类型的数量、所述目标训练数据中每种地表类型总的面积大小,以及所述目标训练数据中每种地表类型的面积占 其所述目标训练数据总面积的比例中的至少一者。
6.根据权利要求5所述的分类装置,其特征在于,所述预定比例为5%-20%。
7.根据权利要求5所述的分类装置,其特征在于,所述训练模块用于:通过目标参数配置多种候选模型,所述目标参数包括以下参数中的至少一者:主干神经网络类型、模型类型、训练的学习速率、学习速率的调度策略、训练使用的优化器;
根据预定模型评估条件,从所述多种候选模型确定所述目标分类模型。
8.根据权利要求5所述的分类装置,其特征在于,所述训练模块用于:
接收任意尺寸的所述目标训练数据;
采用上采样算法对最后一个卷积层的特征图进行上采样,使所述特征图恢复到所述目标训练数据的尺寸;
对所述目标训练数据中的每个像素产生预测,并保留所述目标训练数据的空间信息;
在所述上采样的特征图上进行逐像素分类;
逐个像素计算分类的损失,每一个像素对应一个训练样本。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-4所述的地表覆盖影像的分类方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-4所述的地表覆盖影像的分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224287.8A CN112329852B (zh) | 2020-11-05 | 2020-11-05 | 地表覆盖影像的分类方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224287.8A CN112329852B (zh) | 2020-11-05 | 2020-11-05 | 地表覆盖影像的分类方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329852A CN112329852A (zh) | 2021-02-05 |
CN112329852B true CN112329852B (zh) | 2022-04-05 |
Family
ID=74315381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224287.8A Active CN112329852B (zh) | 2020-11-05 | 2020-11-05 | 地表覆盖影像的分类方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329852B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082452B (zh) * | 2022-07-26 | 2022-11-04 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
CN110879992A (zh) * | 2019-11-27 | 2020-03-13 | 内蒙古工业大学 | 基于迁移学习的草原地表覆盖物分类方法和系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942564B (zh) * | 2014-04-08 | 2017-02-15 | 武汉大学 | 基于非监督特征学习的高分辨率遥感影像场景分类方法 |
CN104517120B (zh) * | 2014-12-04 | 2018-12-25 | 西安电子科技大学 | 基于多路分层正交匹配的遥感图像场景分类方法 |
CN108537192B (zh) * | 2018-04-17 | 2021-11-30 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
CN109255334B (zh) * | 2018-09-27 | 2021-12-07 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109919206B (zh) * | 2019-02-25 | 2021-03-16 | 武汉大学 | 一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法 |
CN110458201B (zh) * | 2019-07-17 | 2021-08-24 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及系统 |
CN111079649B (zh) * | 2019-12-17 | 2023-04-07 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111428762B (zh) * | 2020-03-12 | 2022-03-15 | 武汉大学 | 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法 |
CN111461258B (zh) * | 2020-04-26 | 2023-04-18 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN111723675B (zh) * | 2020-05-26 | 2022-08-16 | 河海大学 | 基于多重相似性度量深度学习的遥感图像场景分类方法 |
CN111611960B (zh) * | 2020-05-29 | 2022-06-28 | 长光卫星技术股份有限公司 | 一种基于多层感知神经网络大区域地表覆盖分类方法 |
-
2020
- 2020-11-05 CN CN202011224287.8A patent/CN112329852B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
CN110879992A (zh) * | 2019-11-27 | 2020-03-13 | 内蒙古工业大学 | 基于迁移学习的草原地表覆盖物分类方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112329852A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7236545B2 (ja) | ビデオターゲット追跡方法と装置、コンピュータ装置、プログラム | |
AU2018211356B2 (en) | Image completion with improved deep neural networks | |
CN106447721B (zh) | 图像阴影检测方法和装置 | |
CN109683699B (zh) | 基于深度学习实现增强现实的方法、装置及移动终端 | |
EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
CN110826632B (zh) | 图像变化检测方法、装置、设备及计算机可读存储介质 | |
CN105938557A (zh) | 图像识别方法、图像识别装置 | |
CN110443140B (zh) | 文本定位的方法、装置、计算机设备及存储介质 | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN111275034B (zh) | 从图像中提取文本区域的方法、装置、设备和存储介质 | |
WO2019036860A1 (en) | POSITIONING A TERMINAL DEVICE BASED ON DEEP LEARNING | |
CN112613519B (zh) | 图像分割方法、网络的训练方法、电子设备及存储介质 | |
CN107644423B (zh) | 基于场景分割的视频数据实时处理方法、装置及计算设备 | |
CN108447064B (zh) | 一种图片处理方法及装置 | |
CN108470185A (zh) | 卫星影像的地物标注装置及方法 | |
CN112560698A (zh) | 图像处理方法、装置、设备和介质 | |
CN110689020A (zh) | 一种矿物浮选泡沫图像的分割方法及电子设备 | |
CN112329852B (zh) | 地表覆盖影像的分类方法、装置和电子设备 | |
CN108038491B (zh) | 一种图像分类方法及装置 | |
CN112613348A (zh) | 一种字符识别方法及电子设备 | |
CN111914046A (zh) | 标的坐落图的生成方法、装置及计算机设备 | |
CN110956115A (zh) | 场景识别方法及装置 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN115619904A (zh) | 图像处理方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: No. 11703b, 17 / F, block B, Xi'an National Digital publishing base, No. 996, tianguqi Road, Yuhua Street office, high tech Zone, Xi'an City, Shaanxi Province, 710056 Applicant after: Xi'an Ruisi Shuzhi Technology Co.,Ltd. Address before: No. 11703b, 17 / F, block B, Xi'an National Digital publishing base, No. 996, tianguqi Road, Yuhua Street office, high tech Zone, Xi'an City, Shaanxi Province, 710056 Applicant before: Xi'an zetayun Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |